嘉定专业做网站,学校网站建设项目可行性分析,wordpress 歌词 插件,有限公司和有限责任公司【写作背景】因为最近一直在研究大模型#xff0c;在与客户进行交流时#xff0c;如果要将大模型的变革性能力讲清楚#xff0c;就一定要能将AI小模型的一些原理和效果讲清楚#xff0c;进而形成对比。当然这不是一件简单的事情#xff0c;一方面大模型分析问题的的本质原…
【写作背景】因为最近一直在研究大模型在与客户进行交流时如果要将大模型的变革性能力讲清楚就一定要能将AI小模型的一些原理和效果讲清楚进而形成对比。当然这不是一件简单的事情一方面大模型分析问题的的本质原理业界依然无法清楚解释另外一方面理解AI小模型原理本身也有一定门槛但是我认为必须得试图去理解这些问题。这个背景下我找出了多年前买的一本《刷脸背后》的书籍重新学习试图从人脸识别这个场景去理解AI小模型处理问题的思路进而找出大模型更好的解释之道。 人脸识别包括三个基本步骤 第一步从图像中检索人脸边框所用的是人脸检测技术。而人脸检测技术有多种可以基于肤色的也可以基于人脸特征点如眼睛的方法等等。 人脸检测算法主要有DPM、LAEO、ViolaJones算法这些算法基本也是通过有标注的图像训练而来也有基于深度学习的人脸检测算法如CNN Facial Point Detection人脸检测算法DDFD人脸检测算法以及多种算法的混合应用。类似与当前大模型的MOE,混合专家模型 【意外发现DDFD人脸检测算法是基于基于Alexnet进行微调改造而来的神经网络模型而Alexnet作为一种深度卷积神经网络模型其创始人居然是Alex Krizhevsky Ilya Sutskever and Geoffrey Hinton。Ilya Sutskever 是谁就是当前火爆的 OpenAI 的联合创始人兼首席科学家最近联合董事会开除了OPEN AI CEO Sam Altman; Geoffrey Hinton就更厉害了扫地僧Ilya Sutskever 的博导 第二步是人脸区域的特征提取。根据算法原理和关注点的不同人脸特征可以有很多种。深度学习特征是一种特征还有GaborSIFT、HOG等多种特征提取方法。通过PCA、LDA等特征降维的方法得到特征也可以作为人脸的特征人脸面部的特征点信息可以选取5个特征点双眼中心、鼻子、两个嘴角或2个特征点包括眉梢、鼻端、下巴、双眼中心、鼻子、两个嘴角等信息或30个乃至更多的特征点每个特征点的位置和像素都可以用于表征人脸的特征。学术界已经有人脸特征点自动定位算法。 人脸特征提取方法以及最后所使用的特征对人脸识别的准确度具有关键作用。 第三步是训练识别人脸特征与人的标签对应关系的分类模型。经过第二步训练图像集中每个图像都可以用一个特征向量来表示如一个4096维的特征向量)最后加上该图像的标签表示是那个人的人脸。一个图像对应一行类似与上面所属的记录如果有m个训练图像就得到m行这样的记录矩阵。然后在该矩阵上使用SVMKNN,SOFTMAX regression,Logistic regression等方法训练分类模型。利用最后得到的模型预测测试图像中每个图像对应的人的标签。 思考上面人脸识别的三个步骤可以简单理解为先通过少量特征点找到人脸然后通过算法提取每个人脸的特征并用一组特征向量表示且每个特征向量后面增加一个该人的姓名。比如
【A1,A2,A3,A4,A5,小明】
如果有m个测试集就会有一个行的矩阵就类似构建了数据库接下来就是使用该数据库。如何使用把人脸输入通过特征提取算法提取该人脸的特征向量然后通过计算与之前构建数据库就是那个m行的大矩阵的欧式距离或者余弦相似度从而找到输入的人脸是谁。 可以发现人脸识别的认证首先必须构建一个全量的人脸特征向量数据库然后进行识别那么这类应用其实之中识别已知的对象对于不在特征库里面的人脸就没法检出当然在人脸识别认证这个场景不存在未知人脸比如公安部门构建的人脸库不可能存在漏录每个人都用身份证。 关于Alexnet 经常问的问题 Q1. AlexNet有什么用 答AlexNet 是一种开创性的卷积神经网络 (CNN)主要用于图像识别和分类任务。它在2012年赢得了ImageNet大规模视觉识别挑战赛标志着深度学习的突破。AlexNet 的架构凭借其对卷积层和修正线性单元 (ReLU) 的创新使用为现代深度学习模型奠定了基础推动了计算机视觉和模式识别应用的发展。 Q2。为什么 AlexNet 比 CNN 更好 A. AlexNet是CNN的一种特定类型是一种特别擅长理解图像的神经网络。当 AlexNet 被引入时它在识别图片中的物体方面表现出了令人印象深刻的结果。它变得流行是因为它更深有更多层并使用一些聪明的技巧来提高准确性。所以AlexNet并不比CNN更好它是一种 CNN对使 CNN 在图像相关任务中流行起来具有重要影响。 尾注 快速总结我们在本文中看到的架构。 它有 8 层具有可学习的参数。模型的输入是 RGB 图像。它有 5 个卷积层和最大池化层的组合。然后它有 3 个全连接层。所有层使用的激活函数是Relu。它使用了两个 Dropout 层。输出层使用的激活函数是Softmax。该架构中的参数总数为 6230 万个。 参考
1、《刷脸背后》张重生。
2、【人工智能】回顾人工智能十年发展历程 | 2013-2023 | AlexNet | GAN | Transformer | Resnet | GNN | GPT | Stable Diffusion 3、Introduction to The Architecture of Alexnet
