人工智慧 (AI) 的願景非常簡單， 使電腦像人類一樣思考和工作， 和人類難以區分。 人工智慧離不開電腦， 但它主要依賴人類的關注點、洞察力和啟發。 人工智慧以人為本， 但是人類的關注集中于人類專家。 對專家的依賴(尤其是最初應用人工智慧領域的專家， 如醫學領域的專家)給不斷發展的人工智慧帶來了挑戰， 因為專家不能擴展。
如今， 人工智慧依賴機器學習， 後者是一類能夠隨著時間進行改善的演算法， 其關鍵是具備出色的資料處理能力， 並不斷對硬體及方法進行完善。 這是人工智慧的一貫原則，
人工智慧、機器學習與神經網路
神經網路作為一種演算法， 屬於人工智慧領域機器學習範圍。 因此， 神經網路中包含一個組 - 深度神經網路的“子子類”。 包含兩個以上的輸入和輸出隱藏層。 圖 1 顯示通過關係權重相連接的單個輸入和輸出層。 實際上， 深度神經網路有 100 多個輸入和輸出層。
機器學習演算法中的神經網路子類是最受關注的演算法。 本文重點介紹了機器學習和機器學習演算法的子類 - 神經網路。 關係如圖 2 所示。
將一張圖像輸入到深度神經網路， 它將找到並用方框(或輪廓)標記您要找的人。 前提是網路接受過相應的訓練。 從輸入到輸出的任務稱做 “向前傳播”， 術語稱之為 “推斷”。
必須對神經網路進行訓練。 訓練充滿挑戰。
訓練
訓練網路需要哪些條件?首先， 執行向前傳播， 並查看結果。 對比預想的結果和實際的結果， 取其差值， 並將差值傳播回去(圖 3)。 這就是向後傳播。 向後傳播演算法是最難的。 調整每個邊緣的權重。 需要認真地逐層完成， 針對多個訓練場景(本示例使用的是圖像)。
當前一流的訓練方案有兩大挑戰：a) 依賴標記資料(監督式訓練);b) 演算法並行性十分有限。 標記用於訓練的資料， 儘管需要大量人力， 但是普通人即可完成(不需要專家)， 他們通常在目標物件周圍畫一個方框或輪廓。 演算法並行性主要用於批量處理圖像， 以獲取某一點的平均屬性。 訓練資料通常不適用於較大規模的批次處理器， 因此批量尺寸通常限制在 1000 左右。