人工智能应用基础 课件 项目二 机器学习：找出你是谁

项目二机器学习：找出你是谁人工智能应用基础0102任务2理解分类问题任务3理解特征与标记任务1认识图像的表示目录03任务4认识分类器04任务5了解迭代学习05任务6项目开发人脸识别：我知道你是谁06人脸识别在安防领域的应用已经很多了，警方能够通过捕捉摄像头中的影像来确认谁是犯罪嫌疑人；系统能从海量级的人物照片库中找到被通缉人员。这些功能都可以通过人脸识别技术实现。基于人脸识别和大数据分析，可以从海量数据中根据目标人物的特征信息，如性别、年龄范围、着装颜色等，通过人脸比对分析确定嫌疑人身份。本项目我们来学习该案例中蕴藏的机器分类技术。通过使用现有机器学习框架模块，实现对人脸图片的分类，判断图片中是谁。项目二机器学习：找出你是谁项目一人工智能：轨道交通智慧之门01知识目标02能力目标03素质目标任务1认识人工智能任务1认识图像的表示计算机是怎么表示彩色图像的？任务1认识图像的表示在计算机里，对于彩色图像用红（R）、绿（G）、蓝（B）三基色来表示，用红（R）、绿（G）、蓝（B）三个数字来表示一个颜色，每个基本颜色的值为0-255，数值的大小表示这个颜色分量的明暗程度，数值越大，表示该基本颜色的比例越大。任务1认识图像的表示通过不同比例的调和，会呈现出我们人眼所能看到的任何颜色。任务1认识图像的表示任务1认识图像的表示（255，0，0）表示纯红色；任务1认识图像的表示（0，255，0）表示纯绿色；任务1认识图像的表示（0，0，255）表示纯蓝色；任务1认识图像的表示白色怎么表示？黑色怎么表示？灰色怎么表示？（255，255，255）（0，0，0）（100，100，100）任务1认识图像的表示一幅图像是由一个个小格子组成的，每个小格子是一个色块。如果用不同的数字表示不同的颜色，图像就可以表示成一个由数字组成的矩形阵列，称为矩阵，这样图像就会存储在计算机中。这里的小格子称为像素，格子的行数和列数统称为分辨率。反过来，如果给出一个数字组成的矩阵，将矩阵中的每个数值转换为对应的颜色，并在计算机屏幕上显示出来，就可以重现这幅图像。任务1认识图像的表示任务1认识图像的表示用三种颜色的不同比例（数字）就可以表示很多种颜色，可见，一张彩色图像就可以用三张由数字组成的阵列来表示，如图2-7所示，这些数字阵列称为三阶张量。三阶张量的长度和宽度为图像的分辨率，高度为3，即彩色图像有3个通道，灰度图像只有一个通道。任务2理解分类问题任务2理解分类问题分类就是在样本集中，通过已知样本的特征和属性，将样本划分到已有的类别中。也就是说，这些类别是已知的，通过对已知样本数据进行训练和学习，找到能区分数据类别的特征，再通过这些特征对待分类数据进行分类。子任务1了解分类原理子任务2掌握图像分类步骤及应用任务2理解分类问题子任务1了解分类原理图像分类是以图像的像素关联信息为基础，通过计算机获取图像的特征之后进行归纳，然后分类识别的过程。图像分类问题的原理是根据已经带有类别标签的图像数据集，对待分类图像进行归类，从已有类别集合中得到待分类图像标签，最终确定待分类图像归属类别的过程。任务2理解分类问题子任务1了解分类原理如图2-8所示，将水果图片进行分类，利用计算机从类别标签集合中找到水果对应的类别。该过程看起来比较简单，是因为人类的视觉系统能直接将眼睛获得的图像信息进行语义的转化。任务2理解分类问题子任务1了解分类原理但对于计算机来说，却是计算机视觉领城研究的关键问题之一，计算机视觉领域中的目标检测、图像分割、动态跟踪、人体分析、人脸识别等高层视觉分析都是以图像分类操作为基础。机器学习中图像分类通常采用基于数据驱动的方法。该方法的原理是从计算机读入大量数据，然后让计算机学习数据的属性，最终学到每一类的特征。任务2理解分类问题子任务2掌握图像分类步骤及应用图像分类是分类问题的一个分支，一般包含三个步骤：①输人数据：向分类模型输入包含N个图像的集合，其中每个图像的标签是K种分类标签中的一种。这个集合称为训练集。②学习过程：使用训练集来学习每个类的特征。也称该过程为训练分类器模型。任务2理解分类问题子任务2掌握图像分类步骤及应用③评价过程：利用训练好的分类器来预测它未曾见过的图像数据集（也称为测试集）的分类标签，并以此来评价分类器的质量。如果预测的图像标签的正确率达到一定的标准，就认为这个分类模型训练成功，否则将进行步骤②继续学习，直到达到评价标准为止。任务3理解特征与标记任务3理解特征与标记特征是一事物异于其他事物的特点。通常我们通过物体的特征来区分物体的类别，这是最有效的方式。如图2-8中的4张图片，设想一下，采用什么样的特征可以更好地区分它们呢？任务3理解特征与标记如果用“是否为圆形”作为一个特征，可以区分香蕉和梨，也可以区分草莓和苹果；如果再用“是否为红色”作为第二个特征，就可以区分是草莓或苹果还是香蕉和梨，如表2-1所示，这样就可以准确地区分这四张图片所属的类别了。任务3理解特征与标记对于人类而言，只要看一次照片，这些特征就会被大脑获取，“红色”+“圆形”特征的图片就是苹果。但对于计算机而言，一幅图片就是以某种特定格式存储在存储器的一串数据。让计算机通过相关的一系列的计算，从这些数据中提取“是否为圆形”这样的特征是非常困难的事情。任务3理解特征与标记图像的分类问题最终会回答哪一幅图像属于哪一个类别，也就是说，每个图像都有自己所属的类别，这个类别就是标记，也称为标签。如表2-1中的苹果、梨、香蕉等称为标记。训练分类模型所采用的训练数据集是带有标记的，而这个数据集需要人工标记。只有带有标记的训练集才能被分类模型所学习，才能使用学到的“知识”判断测试图像类别。任务3理解特征与标记数据标记需要标记员借助某种标注工具，例如，使用labelme、lab