当前位置:首页 > 无名 > 正文

百度搜索引擎如何进行图片识别的?

    用通俗的话总的来说,就是利用大数据抽取规律,再利用规律去预测(回归)、分类、聚类未知的输入,得到输出(结果)。

单说图片识别:

这里面的大数据就是已知的输入(图片)和已知的结果(图片的标签),抽取规律也就是相应的算法(卷及神经网络),预测、分类、聚类就是得到图片的结果(图片识别)。

可以分为以下几步:

第一步:数据的预处理。

图片是由一个一个的像素组成的,就拿入门的案例说吧,MNIST数据集,是一个手写数字的数据集,每一张图片都是由28×28个像素点形成的。

就像这样:

百度搜索引擎如何进行图片识别的?


总共有60000张这样的图片,而图片的标签(也就是结果)也是已知的(0~9),那么设输入为x输出为y,

计算机是无法读懂图片的,所以我们要将图片转换成计算机所能认识的东东。

矩阵:

x就是一个28×28的矩阵每一个点表示图片中相应位置的灰度。有的神经网络为了更简化的计算,将28×28 的矩阵,转换为一个1×784的向量(一维矩阵)。这里的x是28×28×1,这个1表示的是单通道,也就是只有一种颜色。如果是彩色图片的话,那么就应该是28×28×3,这个3表示的是RGB三个颜色通道。

y就是一个数字,0~9。

有些算法还会降x,y进行归一化,也就是转换为0~1之间的矩阵、数字。

第二步:抽取特征。

卷积(特征提取)的具体计算方法:

其中input为输入,filter叫做卷积核(暂且理解为滤波器),output叫做特征图,特征图的个数和filter的个数是相同的(filter W0、filter W1)。既然是矩阵,那么可以设中间的参数是W,于是就有Wx+b = output。这里的W是我们最终要训练出来的。

计算方法:

w0与x蓝色区域做内积(对应位置相乘后相加):

f1第1层 = 0×1+ 0×1+ 0×1 + 0×-1+ 1×-1+ 1×0 + 0×-1+1×1+1×0 = 0

f1第2层 = 0×-1+0×-1+0×1 +0×-1+0×1+1×0 +0×-1+2×1+2×0 = 2

f1第3层 = 0×1+0×0+0×-1+ 0×0+2×0+2×0+ 0×1+0×-1+0×-1+ = 0

那么根据神经网络得分函数:f(x,w) = wx+b

这里的b =1

那么输出的得分值就为f1+f2+f3+b = 0+2+0+1 =3

最右边绿色的矩阵第1行,第1列,就是3


将卷积核在输入矩阵滑动,

同理可以计算



这里的输出叫做特征图。

这里就可以看出,经过卷积核Filter(滤波器),将图片浓缩了,浓缩之后,再进行一次非线性的处理,用一些非线性的函数将线性结果非线性化(叫做激活函数),这层叫作卷积层。

这里只是一层,大型数据集(输入很多的情况)一层是不够的,需要很多层,输入-卷积-输出-卷积-输出........。

比如VGG-16,就有16个卷积层。

进一步浓缩叫做池化层。

同样有一个filter,将特征图进行MAX(取最大值)或者MEAN(取均值),进一步浓缩特征。


浓缩完特征之后,接着后面的层叫做全连接层。


就是将权重参数W(矩阵),分别乘以池化完成的结果,得到最终的分类结果比如前边所说的0~9的手写字体,要分10个类别,如果池化完成的结果是1×64,那么全连接层就应该是64×10,最终得到1×10的矩阵,就是分类0~9的结果。

以上最重要的就是要求W,也就是最前边说的,根据大数据找规律。

第三步:参数更新

那么还有问题,W是多少谁知道?

没人知道,这里是根据计算机一步一步的试出来的,

先随机的给出一组W,算出结果Y1,利用已知的x当做输入,用已知的y与y1坐差值,那么Y1-y就会有一个差值,就是预测值和真实值的差值。称作损失函数,有些叫做代价函数。当代价函数最小的时候,预测值Y1和真实值y的差距越来越小,当差距在我们可以接受的范围内,那么就可以认为,由权重参数W生成的Y1可以对输入x进行预测和分类。

那么如何让损失函数最小呢?这里并不是求导后求极值点,而是对损失函数求导数,调整W,使得差值沿着导数的方向前进,最终达到极小值点。

这时候得到的W就是我们最终要的结果了。

第四步:利用参数

既然得到了W,我们就可以利用这个W,将一个未知结果的x输入,从而得到通过W计算出的y,这个y就是图片识别的结果。

现在有很多的开源深度学习框架,是各大著名公司封装好的函数(已经造好的轮子),

以下是一个卷积神经网络识别MNIST的小例子(基于google深度学习框架TensorFlow):

只是经过了21次的参数更新,最终的识别准确率在99%以上。




输出结果:

Extracting MNIST_data/train-images-idx3-ubyte.gz

Extracting MNIST_data/train-labels-idx1-ubyte.gz

Extracting MNIST_data/t10k-images-idx3-ubyte.gz

Extracting MNIST_data/t10k-labels-idx1-ubyte.gz

第0次迭代,测试集准确率是0.7688

第1次迭代,测试集准确率是0.7831

第2次迭代,测试集准确率是0.8829

第3次迭代,测试集准确率是0.8883

第4次迭代,测试集准确率是0.889

第5次迭代,测试集准确率是0.8919

第6次迭代,测试集准确率是0.8908

第7次迭代,测试集准确率是0.893

第8次迭代,测试集准确率是0.894

第9次迭代,测试集准确率是0.8949

第10次迭代,测试集准确率是0.8927

第11次迭代,测试集准确率是0.8935

第12次迭代,测试集准确率是0.8948

第13次迭代,测试集准确率是0.9873

第14次迭代,测试集准确率是0.9881

第15次迭代,测试集准确率是0.9864

第16次迭代,测试集准确率是0.9885

第17次迭代,测试集准确率是0.9906

第18次迭代,测试集准确率是0.9876

第19次迭代,测试集准确率是0.9884

第20次迭代,测试集准确率是0.9902

版权声明:

本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 2449504386@qq.com 举报,一经查实,本站将立刻删除。