人工智能應(yīng)用基礎(chǔ) 課件匯 項(xiàng)目1-8 人工智能概述 -制作“個(gè)人簡(jiǎn)介”演示稿

人工智能應(yīng)用基礎(chǔ)授課人：*老師

基礎(chǔ)篇項(xiàng)目1?人工智能概述01項(xiàng)目描述05項(xiàng)目拓展02項(xiàng)目分析06項(xiàng)目小結(jié)03相關(guān)知識(shí)07項(xiàng)目練習(xí)04項(xiàng)目實(shí)施目錄項(xiàng)目描述011.1項(xiàng)目描述小紅是一名活躍的社交媒體用戶，她每天都會(huì)在手機(jī)上瀏覽各種新聞、視頻和社交媒體帖子。最近，她注意到社交媒體平臺(tái)上的內(nèi)容推薦變得越來(lái)越“懂她”了，無(wú)論是娛樂(lè)八卦、時(shí)尚穿搭還是健康養(yǎng)生，都能精準(zhǔn)地推送給她感興趣的內(nèi)容。原來(lái)，這背后是人工智能算法在根據(jù)小紅的瀏覽歷史、點(diǎn)贊、評(píng)論等行為數(shù)據(jù)，進(jìn)行個(gè)性化內(nèi)容推薦。小紅享受著這種個(gè)性化推薦帶來(lái)的便利，但同時(shí)也開(kāi)始擔(dān)心起背后的倫理問(wèn)題。她意識(shí)到，這種推薦機(jī)制雖然提高了用戶體驗(yàn)，但也可能導(dǎo)致她陷入“信息繭房”，即只接觸到與自己觀點(diǎn)相符或興趣相投的信息，而忽略了其他多元的聲音和觀點(diǎn)。此外，她還擔(dān)心人工智能算法可能存在的偏見(jiàn)問(wèn)題，比如是否會(huì)因?yàn)槟承┥鐣?huì)群體的數(shù)據(jù)不足或偏見(jiàn)，導(dǎo)致他們的聲音被忽視或邊緣化？13.1項(xiàng)目描述02項(xiàng)目分析

小紅在社交媒體上的瀏覽喜好，其背后所依托的個(gè)性化推薦技術(shù)，正是人工智能領(lǐng)域中的一個(gè)核心應(yīng)用。這項(xiàng)技術(shù)通過(guò)深度分析小紅的瀏覽歷史、點(diǎn)贊與評(píng)論等大數(shù)據(jù)，精準(zhǔn)捕捉其興趣偏好，從而為她量身定制推送內(nèi)容，讓用戶體驗(yàn)得到了顯著提升。然而，這也引發(fā)了關(guān)于“信息繭房”及算法偏見(jiàn)的倫理思考，提醒我們?cè)谙硎苋斯ぶ悄軒?lái)的便利時(shí)，需警惕其潛在的負(fù)面影響。因此，小紅的面臨的問(wèn)題不僅是技術(shù)應(yīng)用的個(gè)案，更是對(duì)新時(shí)代青年如何在技術(shù)發(fā)展中保持清醒頭腦，堅(jiān)守底線，促進(jìn)網(wǎng)絡(luò)空間健康、公正、和諧發(fā)展的深刻啟示。通過(guò)學(xué)習(xí)人工智能較好解答小紅的疑惑。為確保項(xiàng)目的成功，需要進(jìn)行一些前期的準(zhǔn)備工作：1.

人工智能簡(jiǎn)介與發(fā)展2.

人工智能的主要研究領(lǐng)域3.人工智能的未來(lái)趨勢(shì)1.2項(xiàng)目分析03相關(guān)知識(shí)人工智能簡(jiǎn)介1956年夏季的美國(guó)達(dá)特茅斯，以麥卡賽、明斯基、羅切斯特和申農(nóng)等為首的一批有遠(yuǎn)見(jiàn)卓識(shí)的年輕學(xué)者舉行了一次會(huì)議，共同研究和探討用機(jī)器模擬智能的一系列相關(guān)問(wèn)題，并首次提出了“人工智能”（ArtificialIntelligence，AI）這一術(shù)語(yǔ)，它標(biāo)志著“人工智能”這門新興學(xué)科的正式誕生。人工智能是研究、開(kāi)發(fā)用于模型、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新型技術(shù)科學(xué)。1.3相關(guān)知識(shí)2.人工智能歷史上共出現(xiàn)過(guò)三次重要的發(fā)展浪潮：第一次浪潮（1956-1974年）：AI思潮賦予機(jī)器邏輯推理能力。第二次浪潮（1980-1987年）：專家系統(tǒng)使得人工智能實(shí)用化。第三次浪潮（1993年至今）：深度學(xué)習(xí)助力感知智能步入成熟。1.3相關(guān)知識(shí)3.人工智能的主要研究領(lǐng)域：

（1）感知能力

感知能力是人工智能的基礎(chǔ)，主要包括視覺(jué)和聽(tīng)覺(jué)兩大方面。盡管理論上還應(yīng)包括觸覺(jué)、嗅覺(jué)等，但由于技術(shù)限制和實(shí)際應(yīng)用場(chǎng)景，這些方面的研究相對(duì)較少。1.3相關(guān)知識(shí)3.人工智能的主要研究領(lǐng)域：

（2）自然語(yǔ)言處理（NaturalLanguageProcessing,NLP）

自然語(yǔ)言處理是人工智能領(lǐng)域的一個(gè)重要分支，它研究的是如何讓計(jì)算機(jī)理解和生成人類自然語(yǔ)言。自然語(yǔ)言處理（NLP）的研究范圍廣泛，包括語(yǔ)音轉(zhuǎn)文字、文字轉(zhuǎn)語(yǔ)音、文本語(yǔ)義抽取、文本情感分析、文本分類、語(yǔ)法分析等。1.3相關(guān)知識(shí)3.人工智能的主要研究領(lǐng)域：

（3）推理與決策

自動(dòng)推理是基于知識(shí)的推理過(guò)程，它利用已有的知識(shí)庫(kù)和推理規(guī)則，通過(guò)邏輯推理得到新的結(jié)論或解決方案。自動(dòng)推理在專家系統(tǒng)、醫(yī)療智能診斷等領(lǐng)域有著廣泛的應(yīng)用。

規(guī)劃能力是指機(jī)器在給定目標(biāo)和約束條件下，通過(guò)規(guī)劃算法找到實(shí)現(xiàn)目標(biāo)的最佳路徑或策略。這一能力在機(jī)器人導(dǎo)航、自動(dòng)駕駛等領(lǐng)域至關(guān)重要。1.3相關(guān)知識(shí)3.人工智能的主要研究領(lǐng)域：

（4）多智能體系統(tǒng)

多智能體系統(tǒng)是指由多個(gè)智能體（如機(jī)器人、智能軟件等）組成的系統(tǒng)，這些智能體之間可以相互通信、協(xié)作以完成共同的任務(wù)。例如，無(wú)人機(jī)編隊(duì)表演等。1.3相關(guān)知識(shí)

（5）機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能的一個(gè)重要分支，它研究的是如何讓計(jì)算機(jī)從數(shù)據(jù)中自動(dòng)學(xué)習(xí)并改進(jìn)其性能。機(jī)器學(xué)習(xí)包括監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)等多種學(xué)習(xí)方式。通過(guò)機(jī)器學(xué)習(xí)，計(jì)算機(jī)可以自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的規(guī)律和模式，并據(jù)此進(jìn)行預(yù)測(cè)和決策。機(jī)器學(xué)習(xí)在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了顯著的成果。。3.人工智能的主要研究領(lǐng)域：

（6）深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種重要方法，它通過(guò)構(gòu)建深層神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦的學(xué)習(xí)過(guò)程。深度學(xué)習(xí)在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了突破性的進(jìn)展。1.3相關(guān)知識(shí)

（7）生成式人工智能

近年來(lái)，生成式人工智能（如文心一言、訊飛星火等）引發(fā)了廣泛關(guān)注。生成式人工智能通過(guò)預(yù)訓(xùn)練大模型和生成式對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialNetworks,GAN）等技術(shù)，能夠生成逼真的文本、圖像、音頻等內(nèi)容。3.人工智能的主要研究領(lǐng)域：

（8）人工智能社會(huì)與安全人工智能倫理關(guān)注AI技術(shù)公平、透明及可解釋性等。人工智能安全關(guān)注如何防止AI系統(tǒng)被惡意攻擊和濫用。1.3相關(guān)知識(shí)

（9）具身智能

具身智能是人工智能的一個(gè)發(fā)展領(lǐng)域，指一種智能系統(tǒng)或機(jī)器能夠通過(guò)感知和交互與環(huán)境進(jìn)行實(shí)時(shí)互動(dòng)的能力?？梢院?jiǎn)單理解為各種不同形態(tài)的機(jī)器人，讓它們?cè)谡鎸?shí)的物理環(huán)境下執(zhí)行各種各樣的任務(wù)，來(lái)完成人工智能的進(jìn)化過(guò)程。4.人工智能的未來(lái)趨勢(shì)：

（1）量子計(jì)算與AI的結(jié)合

量子AI通過(guò)利用量子計(jì)算機(jī)的特殊性質(zhì)，可以加速數(shù)據(jù)處理和模型訓(xùn)練過(guò)程，實(shí)現(xiàn)更高效、更準(zhǔn)確的AI應(yīng)用。例如，量子AI可以在藥物發(fā)現(xiàn)、材料科學(xué)等領(lǐng)域?qū)崿F(xiàn)更快速的模擬和預(yù)測(cè)，推動(dòng)科學(xué)研究的進(jìn)步。1.3相關(guān)知識(shí)4.人工智能的未來(lái)趨勢(shì)：

（2）生物啟發(fā)式計(jì)算與AI結(jié)合

如基于遺傳算法的AI藥物研發(fā)，模擬自然進(jìn)化過(guò)程優(yōu)化分子結(jié)構(gòu)，加速新藥發(fā)現(xiàn)，提高藥物療效與安全性，展現(xiàn)生物計(jì)算與AI深度融合的創(chuàng)新潛力。1.3相關(guān)知識(shí)

（3）可解釋性AI與強(qiáng)化學(xué)習(xí)例如，電商推薦系統(tǒng)利用可解釋性技術(shù)，解釋強(qiáng)化學(xué)習(xí)模型的商品推薦邏輯，提高用戶信任度與滿意度，同時(shí)優(yōu)化庫(kù)存管理和銷售策略，實(shí)現(xiàn)個(gè)性化與效益的雙重提升。4.人工智能的未來(lái)趨勢(shì)：

（4）聯(lián)邦學(xué)習(xí)(FederatedLearning)與數(shù)據(jù)隱私

聯(lián)邦學(xué)習(xí)允許在不共享數(shù)據(jù)的情況下訓(xùn)練機(jī)器學(xué)習(xí)模型，從而保護(hù)用戶數(shù)據(jù)的隱私和安全。例如，在金融行業(yè)，多家銀行通過(guò)聯(lián)邦學(xué)習(xí)聯(lián)合訓(xùn)練模型，共享模型參數(shù)而非直接共享客戶數(shù)據(jù)，有效保護(hù)了數(shù)據(jù)隱私，同時(shí)提升了信貸風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性。1.3相關(guān)知識(shí)

（5）元學(xué)習(xí)與自適應(yīng)AI

元學(xué)習(xí)是一種讓智能體學(xué)會(huì)如何學(xué)習(xí)的方法，通過(guò)元學(xué)習(xí)，智能體可以更快地適應(yīng)新的任務(wù)和環(huán)境。例如，智能客服系統(tǒng)利用用戶反饋?zhàn)詣?dòng)調(diào)整應(yīng)答策略，實(shí)現(xiàn)更高效、個(gè)性化的客戶服務(wù)。4.人工智能的未來(lái)趨勢(shì)：

（6）教育改革與AI融合例如，智能教學(xué)系統(tǒng)根據(jù)學(xué)生個(gè)性化需求定制學(xué)習(xí)路徑，利用AI技術(shù)輔助教學(xué)，提升教學(xué)質(zhì)量與效率，推動(dòng)教育公平與個(gè)性化發(fā)展，引領(lǐng)教育現(xiàn)代化進(jìn)程。1.3相關(guān)知識(shí)

（7）環(huán)境保護(hù)與資源優(yōu)化AI例如，智能電網(wǎng)利用AI技術(shù)實(shí)現(xiàn)能源的高效分配和調(diào)度，提高能源利用效率并減少碳排放。。4.人工智能的未來(lái)趨勢(shì)：

（8）可持續(xù)交通與智慧城市AI

例如，利用AI技術(shù)進(jìn)行城市人口流動(dòng)分析和預(yù)測(cè)，可以為城市規(guī)劃者提供科學(xué)的決策依據(jù)。1.3相關(guān)知識(shí)

（9）大語(yǔ)言模型(LargeLanguageModel,LLM))和小語(yǔ)言模型(SmallLanguageModel,SLM)共存

大語(yǔ)言模型（LLM）其參數(shù)規(guī)?？蛇_(dá)數(shù)千億至數(shù)萬(wàn)億級(jí)別，主要部署于云端，支持機(jī)器翻譯、問(wèn)答系統(tǒng)及文本生成等通用與復(fù)雜推理任務(wù)。

小語(yǔ)言模型SLM不僅能夠處理簡(jiǎn)單的任務(wù)，如語(yǔ)音助手的基本交互，還能夠勝任更高級(jí)別的決策支持、個(gè)性化推薦等場(chǎng)景。同時(shí)，隨著邊緣計(jì)算技術(shù)的快速發(fā)展，終端設(shè)備的計(jì)算能力將進(jìn)一步提升，SLM提供更加堅(jiān)實(shí)的運(yùn)行基礎(chǔ)，推動(dòng)其在更多領(lǐng)域?qū)崿F(xiàn)落地應(yīng)用。

。5.人工智能社會(huì)影響：

（1）人工智能對(duì)社會(huì)發(fā)展的影響（2）數(shù)據(jù)隱私與安全（3）人工智能與就業(yè)（4）人機(jī)共存的未來(lái)展望1.3相關(guān)知識(shí)04項(xiàng)目實(shí)施123了解人工智能的發(fā)展歷史步驟一：步驟三：13.4項(xiàng)目實(shí)施了解人工智能的工作原理步驟二：了解人工智能的應(yīng)用05項(xiàng)目拓展在掌握了個(gè)性化推薦原理后，同學(xué)們可以嘗試將社交媒體個(gè)性化推薦進(jìn)一步劃分，并分級(jí)進(jìn)行更加深入的研究。13.5項(xiàng)目拓展06項(xiàng)目小結(jié)

本項(xiàng)目以個(gè)性化推薦為例介紹了人工智能的產(chǎn)生背景、基本概念、發(fā)展歷程、研究領(lǐng)域、發(fā)展趨勢(shì)、人工智能倫理與社會(huì)影響等。

人工智能是定義。

人工智能歷史上共出現(xiàn)過(guò)AI思潮賦予機(jī)器邏輯推理能力、專家系統(tǒng)使得人工智能實(shí)用化、深度學(xué)習(xí)助力感知智能步入成熟共三次重要的發(fā)展浪潮。

人工智能研究領(lǐng)域包括感知能力、自然語(yǔ)言處理、推理與決策、多智能體系統(tǒng)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、生成式人工智能、人工智能社會(huì)與安全、具身智能等。

人工智能未來(lái)趨勢(shì)包括量子計(jì)算與AI的結(jié)合、生物啟發(fā)式計(jì)算與AI結(jié)合、可解釋性AI與強(qiáng)化學(xué)習(xí)、聯(lián)邦學(xué)習(xí)與數(shù)據(jù)隱私、元學(xué)習(xí)與自適應(yīng)AI、教育改革與AI融合、環(huán)境保護(hù)與資源優(yōu)化AI、可持續(xù)交通與智慧城市AI、大語(yǔ)言模型(LargeLanguageModel,LLM))和小語(yǔ)言模型(SmallLanguageModel,SLM)共存等。

人工智能倫理與社會(huì)影響包括人工智能倫理的算法偏見(jiàn)、人工智能倫理的責(zé)任歸屬、數(shù)據(jù)保護(hù)法律、數(shù)據(jù)保護(hù)技術(shù)、人工智能與就業(yè)、人機(jī)共存的未來(lái)展望等。13.6項(xiàng)目小結(jié)07項(xiàng)目練習(xí)一、選擇題

1.在人工智能的發(fā)展史上，哪一事件標(biāo)志著人工智能這一新興學(xué)科的正式誕生？（

）。A.1943年，神經(jīng)科學(xué)家沃倫·麥卡洛克和沃爾特·皮茨提出第一個(gè)神經(jīng)元數(shù)學(xué)模型。B.1950年，英國(guó)數(shù)學(xué)家艾倫·圖靈提出“圖靈測(cè)試”，作為判斷機(jī)器是否具有智能的標(biāo)準(zhǔn)。C.1956年夏季，在美國(guó)達(dá)特茅斯，以麥卡賽、明斯基、羅切斯特和申農(nóng)等為首的學(xué)者首次提出了“人工智能”這一術(shù)語(yǔ)，并召開(kāi)了相關(guān)研討會(huì)。D.1966年，斯坦福研究院的約瑟夫·魏澤鮑姆開(kāi)發(fā)了ELIZA，一個(gè)能夠模仿心理治療師進(jìn)行對(duì)話的計(jì)算機(jī)程序。

2.人工智能不包括（

）。A.自動(dòng)駕駛

B.PhotoshopC.語(yǔ)音識(shí)別D.自然語(yǔ)言處理13.7項(xiàng)目練習(xí)一、選擇題

3.人工智能的感知能力是其基礎(chǔ)，其中哪個(gè)領(lǐng)域?qū)Ｗ⒂谘芯咳绾巫寵C(jī)器“看”，并廣泛應(yīng)用于自動(dòng)駕駛、醫(yī)療影像分析和安防監(jiān)控等領(lǐng)域？（

）A.語(yǔ)音識(shí)別

B.自然語(yǔ)言處理C.計(jì)算機(jī)視覺(jué)

D.機(jī)器人學(xué)

4.在人工智能的眾多應(yīng)用中，哪一個(gè)領(lǐng)域通過(guò)模擬人類對(duì)話和交互，極大地提升了人機(jī)交互的自然性和便捷性？（

）A.自然語(yǔ)言處理B.語(yǔ)音識(shí)別與合成C.計(jì)算機(jī)視覺(jué)

13.7項(xiàng)目練習(xí)一、選擇題5.深度學(xué)習(xí)在以下哪個(gè)領(lǐng)域取得了突破性的進(jìn)展，通過(guò)構(gòu)建深層神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦的學(xué)習(xí)過(guò)程？（

）A.邏輯電路設(shè)計(jì)

B.傳統(tǒng)統(tǒng)計(jì)分析

C.心理學(xué)研究

D.圖像識(shí)別與自然語(yǔ)言處理13.7項(xiàng)目練習(xí)二、填空題1.?“______”這一術(shù)語(yǔ)首次被在達(dá)特茅斯會(huì)議被提出。2.人工智能發(fā)展的三次浪潮，包括______、______、______步入成熟。3.在人工智能中，______技術(shù)利用已有的知識(shí)庫(kù)和推理規(guī)則，通過(guò)邏輯推理得到新的結(jié)論或解決方案。三、操作題請(qǐng)簡(jiǎn)述深度學(xué)習(xí)技術(shù)在人工智能發(fā)展中的重要性及其主要應(yīng)用領(lǐng)域。13.7項(xiàng)目練習(xí)授課結(jié)束謝謝觀看授課人：*老師

人工智能應(yīng)用基礎(chǔ)授課人：周老師

技術(shù)篇項(xiàng)目2?機(jī)器學(xué)習(xí)與深度學(xué)習(xí)01項(xiàng)目描述05項(xiàng)目拓展02項(xiàng)目分析06項(xiàng)目小結(jié)03相關(guān)知識(shí)07項(xiàng)目練習(xí)04項(xiàng)目實(shí)施目錄項(xiàng)目描述01早上一縷陽(yáng)光照進(jìn)臥室，小明聽(tīng)到一個(gè)熟悉的聲音：“現(xiàn)在是早上7點(diǎn)，新的一天開(kāi)始了”。小明對(duì)這個(gè)聲音很熟悉，是臥室的智能音響發(fā)出的，小明還可以問(wèn)它今天的天氣，并且自己打開(kāi)窗簾。小明來(lái)到餐廳開(kāi)始吃早餐，剛拿出手機(jī)想瀏覽今天的新聞，手機(jī)就自動(dòng)解鎖了。當(dāng)打開(kāi)手機(jī)里的電商網(wǎng)站，第一時(shí)間就看到了自己喜歡的商品。幾年前仍是科幻小說(shuō)里的場(chǎng)景，不僅成為小明每天的日常，也已經(jīng)成為我們大部分人真實(shí)的生活經(jīng)歷。2.1項(xiàng)目描述這背后是人工智能算法在驅(qū)動(dòng)。

它們是怎么執(zhí)行的？為什么會(huì)表現(xiàn)出像人一樣的智能？

小時(shí)也想學(xué)習(xí)人工智能技術(shù)，利用這項(xiàng)技術(shù)造福更多的人。因此，小明想了人工智能算法的相關(guān)知識(shí)。2.1項(xiàng)目描述02項(xiàng)目分析人工智能算法無(wú)時(shí)無(wú)刻不在影響我們的生活。目前人工智能算法中，機(jī)器學(xué)習(xí)與深度學(xué)習(xí)已成為主流，正是它們藏在我們身旁，才讓上面這一切以前不敢想的生活如今成為現(xiàn)實(shí)。要了解人工智能算法是怎么讓設(shè)備具有智能的，需要學(xué)習(xí)以下內(nèi)容：1.

人工智能算法的分類2.

數(shù)據(jù)在計(jì)算機(jī)的表示方法3.算法的學(xué)習(xí)過(guò)程2.2項(xiàng)目分析03相關(guān)知識(shí)人類的智能我們可以根據(jù)三角形的定義，很容易區(qū)分出哪些是直角三角形2.3相關(guān)知識(shí)人類的智能也可以很容易區(qū)分出貓和狗的圖片，但此時(shí)規(guī)則變得很復(fù)雜，很難將規(guī)則寫成計(jì)算機(jī)程序。2.3相關(guān)知識(shí)貓

？頭型耳朵毛發(fā)五官五官長(zhǎng)圓立折平突............狗

？定義規(guī)則人工智能的子類-機(jī)器學(xué)習(xí)讓計(jì)算機(jī)從數(shù)據(jù)中自動(dòng)尋找規(guī)律，并利用學(xué)習(xí)到的規(guī)律對(duì)未知或無(wú)法觀測(cè)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，這樣的方法就被稱為機(jī)器學(xué)習(xí)，并可以用來(lái)完成各種識(shí)別任務(wù)。2.3相關(guān)知識(shí)人工智能的子類-深度學(xué)習(xí)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)下的一個(gè)分支，它的核心是人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN）。它使用多層人工神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦的神經(jīng)元工作方式，數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)時(shí)會(huì)經(jīng)過(guò)多次處理，相比于傳統(tǒng)機(jī)器學(xué)習(xí)而言會(huì)比較深，因而叫做深度學(xué)習(xí)。2.3相關(guān)知識(shí)人工智能的分類任何模仿人類或其它生物體智力或行為的方法都叫人工智能。而機(jī)器學(xué)習(xí)是人工智能領(lǐng)域中專指利用數(shù)據(jù)進(jìn)行學(xué)習(xí)的技術(shù)，它無(wú)需依靠人來(lái)定義規(guī)則，深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)領(lǐng)域中受人類神經(jīng)系統(tǒng)啟發(fā)的一種技術(shù)。2.3相關(guān)知識(shí)數(shù)據(jù)的表示方法在面對(duì)聲音、圖像、文本等輸入數(shù)據(jù)時(shí)，語(yǔ)音識(shí)別任務(wù)可以根據(jù)人說(shuō)話的音頻信號(hào)，判斷說(shuō)話的內(nèi)容；圖像識(shí)別根據(jù)輸入的圖片來(lái)判斷圖中的內(nèi)容；機(jī)器翻譯則可以將輸入的某一種語(yǔ)言文字轉(zhuǎn)換成一種語(yǔ)言。學(xué)習(xí)的目的就是要掌握這些數(shù)據(jù)的規(guī)律，將他們轉(zhuǎn)換為對(duì)應(yīng)的輸出。2.3相關(guān)知識(shí)文本表示在計(jì)算機(jī)中，每個(gè)字符都用一個(gè)數(shù)字表示，比如有字符串“helloworld”，會(huì)將每個(gè)字母用一個(gè)數(shù)字替代。如果是中文字符，會(huì)用十六進(jìn)制來(lái)表示，因?yàn)橛⑽淖帜缚偣仓挥?6個(gè)，但漢字的數(shù)量有很多。2.3相關(guān)知識(shí)文本的分詞為了理解單詞的含義，需要將句子劃分為單詞，以單詞為基本單位來(lái)編碼，這個(gè)過(guò)程稱為分詞2.3相關(guān)知識(shí)圖像的表示一張黑白圖片，當(dāng)我們將其中一塊區(qū)域放大后，就可以明顯的看到一個(gè)個(gè)的像素，它們通過(guò)一定的順序（矩陣形式）進(jìn)行排列，像素是組成圖像的基本單位，每個(gè)像素用一個(gè)數(shù)字表示，叫做灰度值。比如0代表黑色，1代表白色，中間不同的灰度就用0到1之間的小數(shù)來(lái)代表2.3相關(guān)知識(shí)聲音的表示聲音是通過(guò)聲波進(jìn)行傳播，聲波由物體的振動(dòng)產(chǎn)生，再經(jīng)介質(zhì)傳播，最后到達(dá)人耳被人感知。計(jì)算機(jī)沒(méi)有耳朵，這時(shí)候我們就需要把聲波轉(zhuǎn)換成便于計(jì)算機(jī)存儲(chǔ)的數(shù)字信號(hào)。2.3相關(guān)知識(shí)聲波的數(shù)字化經(jīng)過(guò)采樣-量化-編碼三個(gè)步驟將聲波轉(zhuǎn)換為能在計(jì)算機(jī)中存儲(chǔ)的數(shù)字編碼。2.3相關(guān)知識(shí)機(jī)器學(xué)習(xí)的過(guò)程預(yù)處理步驟把原始數(shù)據(jù)轉(zhuǎn)換成適合機(jī)器學(xué)習(xí)的數(shù)據(jù)格式，再通過(guò)特征提取與轉(zhuǎn)換步驟來(lái)獲得其中有用的特征，即數(shù)據(jù)中包含的可利用規(guī)律，最后根據(jù)這些提取的特征來(lái)預(yù)測(cè)數(shù)據(jù)內(nèi)容。2.3相關(guān)知識(shí)機(jī)器學(xué)習(xí)到的特征特征是識(shí)別圖片內(nèi)容所需要的關(guān)鍵信息，比如貓與狗的識(shí)別，機(jī)器實(shí)際上是在學(xué)習(xí)提取五官、紋理、輪廓等，然后將這些提取的特征進(jìn)行比較來(lái)進(jìn)行預(yù)測(cè)（貓或狗）2.3相關(guān)知識(shí)監(jiān)督學(xué)習(xí)讓計(jì)算機(jī)“看”大量的手寫體數(shù)字樣本，并利用某種算法對(duì)計(jì)算機(jī)進(jìn)行訓(xùn)練，使其自動(dòng)學(xué)習(xí)到這些數(shù)字隱含的特征信息。不過(guò)在將數(shù)字樣本給計(jì)算機(jī)“看”之前，需要先對(duì)每個(gè)樣本進(jìn)行標(biāo)注（也叫標(biāo)簽）。將每個(gè)類別的數(shù)字圖片標(biāo)注出來(lái)，相當(dāng)于告訴計(jì)算機(jī)這些數(shù)字是什么，讓它們自己去學(xué)習(xí)（提?。┢渲械奶卣?，這個(gè)過(guò)程稱為訓(xùn)練。2.3相關(guān)知識(shí)監(jiān)督學(xué)習(xí)在識(shí)別貓狗圖片時(shí)，用數(shù)字0代表貓，數(shù)字1代表狗，然后將標(biāo)注后的數(shù)據(jù)進(jìn)行訓(xùn)練，當(dāng)計(jì)算機(jī)識(shí)別出貓時(shí)就會(huì)輸出0，識(shí)別出狗時(shí)則會(huì)輸出1。2.3相關(guān)知識(shí)監(jiān)督學(xué)習(xí)訓(xùn)練用的數(shù)據(jù)和待預(yù)測(cè)的數(shù)據(jù)必須具有相似的規(guī)律。我們可以輸入不同水果的圖片訓(xùn)練一個(gè)能識(shí)別水果的模型，水果的類別也僅限于模型已經(jīng)見(jiàn)過(guò)的類別，但并不能用來(lái)識(shí)別手寫體數(shù)字。2.3相關(guān)知識(shí)無(wú)監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)模型的輸入數(shù)據(jù)集是不同類型的動(dòng)物圖片，并且這些圖片是沒(méi)有任何標(biāo)簽信息的，也就是說(shuō)模型并不知道圖片中的動(dòng)物是什么。此時(shí)，無(wú)監(jiān)督學(xué)習(xí)的任務(wù)是自行識(shí)別動(dòng)物的特征，根據(jù)不同動(dòng)物之間的相似性將具有相同特征的動(dòng)物聚集到同一組中，這個(gè)過(guò)程也稱為聚類。2.3相關(guān)知識(shí)04項(xiàng)目實(shí)施數(shù)據(jù)集展示30張用于垃圾分類的圖像，這此圖像此時(shí)是沒(méi)有任何標(biāo)簽的，需要我們自己根據(jù)圖像中物體的材質(zhì)將這些垃圾分為金屬、玻璃、塑料3類?！袄诸悢?shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施打開(kāi)EasyDL平臺(tái)進(jìn)入EasyDL平臺(tái)：/easydl/，我們是要為圖像數(shù)據(jù)增加標(biāo)簽信息，用于后續(xù)的分類任務(wù)，所以這里選擇“圖像分類”?！袄诸悢?shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施創(chuàng)建數(shù)據(jù)集點(diǎn)擊右側(cè)的“數(shù)據(jù)總覽”，可以看到還沒(méi)有任何數(shù)據(jù)集，于是點(diǎn)擊“創(chuàng)建數(shù)據(jù)集”按鈕?！袄诸悢?shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施填寫數(shù)據(jù)集信息在數(shù)據(jù)集名稱一欄填寫“垃圾分類”，其它信息可選擇默認(rèn)值?！袄诸悢?shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施上傳數(shù)據(jù)集點(diǎn)擊“創(chuàng)建并導(dǎo)入”按鈕，來(lái)到導(dǎo)入圖片頁(yè)面，導(dǎo)入方式一欄選擇“本地導(dǎo)入”和“上傳圖片”，然后選擇30張垃圾圖片，完成后開(kāi)始導(dǎo)入，此時(shí)根據(jù)數(shù)據(jù)集的大小，會(huì)等待一段時(shí)間對(duì)數(shù)據(jù)進(jìn)行導(dǎo)入?！袄诸悢?shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施標(biāo)注圖片導(dǎo)入成功后，我們點(diǎn)擊右側(cè)的“在線標(biāo)注”來(lái)給圖片添加標(biāo)簽信息。此時(shí)我們可以瀏覽每張導(dǎo)入的圖片，然后根據(jù)自己的判斷，在頁(yè)面左邊給圖片添加你認(rèn)為正確的標(biāo)簽信息?！袄诸悢?shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施選擇擴(kuò)充方法對(duì)圖片的擴(kuò)充有多種方法，通過(guò)選擇各種不同的增強(qiáng)算子來(lái)實(shí)現(xiàn)，在增強(qiáng)算子一欄選擇“FlipLR”，該算子可以將數(shù)據(jù)集中的圖片進(jìn)行左右翻轉(zhuǎn)來(lái)擴(kuò)展原有的圖片數(shù)量。——“垃圾分類數(shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施查看效果擴(kuò)充完成后，查看數(shù)據(jù)集V2版本的內(nèi)容，我們發(fā)現(xiàn)數(shù)據(jù)集的數(shù)量由原來(lái)的30張變成了60張，因?yàn)槊繌垐D片都進(jìn)行了一次左右翻轉(zhuǎn)，數(shù)量變成了原來(lái)的2倍?！袄诸悢?shù)據(jù)”標(biāo)注2.4項(xiàng)目實(shí)施05項(xiàng)目拓展（1）如果部分?jǐn)?shù)據(jù)標(biāo)簽出現(xiàn)了錯(cuò)誤，機(jī)器學(xué)習(xí)還能正常工作嗎？（2）給圖像做標(biāo)簽時(shí)，用1來(lái)標(biāo)簽貓，用0來(lái)標(biāo)簽狗，如果反過(guò)來(lái)，用0標(biāo)簽貓，用1標(biāo)簽狗，機(jī)器還能正常學(xué)習(xí)嗎？2.5項(xiàng)目拓展06項(xiàng)目小結(jié)機(jī)器學(xué)習(xí)就是利用算法，使得機(jī)器能夠從大量數(shù)據(jù)中學(xué)習(xí)并自動(dòng)改進(jìn)其預(yù)測(cè)和決策能力，包括多種不同類型的學(xué)習(xí)方法，如監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)等，而深度學(xué)習(xí)更加專注于使用深度神經(jīng)網(wǎng)絡(luò)。在機(jī)器學(xué)習(xí)中，數(shù)據(jù)是至關(guān)重要的，通過(guò)大量的數(shù)據(jù)訓(xùn)練，機(jī)器能夠逐漸掌握某種規(guī)律或模式，進(jìn)而對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)和分類。2.6項(xiàng)目小結(jié)07項(xiàng)目練習(xí)一、選擇題

1.?深度學(xué)習(xí)中的核心概念是什么？（

）。

A.?機(jī)器學(xué)習(xí)B.?神經(jīng)網(wǎng)絡(luò)C.?人工智能D.?計(jì)算機(jī)

2.?用機(jī)器學(xué)習(xí)來(lái)解決實(shí)際任務(wù)時(shí)，會(huì)面對(duì)多種多樣的數(shù)據(jù)形式，這些數(shù)據(jù)不包括（

）。A.?語(yǔ)音B.?文本C.?圖像D.?算法3.?機(jī)器學(xué)習(xí)在進(jìn)行手寫體數(shù)字識(shí)別時(shí)，輸入的數(shù)據(jù)類型是哪種？（

）A.?文字B.?數(shù)字C.?圖像D.?聲音2.7項(xiàng)目練習(xí)一、選擇題

4.?在機(jī)器學(xué)習(xí)流程中，數(shù)據(jù)在進(jìn)行特征提取之前，要先經(jīng)過(guò)哪個(gè)步驟？（

）

A.?預(yù)處理B.?特征轉(zhuǎn)換C.?預(yù)測(cè)D.?學(xué)習(xí)

5.?監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)的差別，主要表現(xiàn)在什么方面？（

）A.?數(shù)據(jù)是否相似B.?是否需要訓(xùn)練C.?是否為深度學(xué)習(xí)D.?數(shù)據(jù)是否有標(biāo)簽2.7項(xiàng)目練習(xí)二、填空題1.

是人工智能領(lǐng)域中專指利用數(shù)據(jù)進(jìn)行學(xué)習(xí)的技術(shù)。2.

任務(wù)根據(jù)輸入的圖片來(lái)判斷圖中的內(nèi)容。三、問(wèn)答題監(jiān)督學(xué)習(xí)是目前人工智能領(lǐng)域中最常用的方法，這種方法和人類的學(xué)習(xí)過(guò)程也比較類似。假設(shè)現(xiàn)在要訓(xùn)練機(jī)器來(lái)識(shí)別蘋果和梨的圖像，請(qǐng)簡(jiǎn)述一下監(jiān)督學(xué)習(xí)的過(guò)程。2.7項(xiàng)目練習(xí)授課結(jié)束謝謝觀看授課人：周老師

人工智能應(yīng)用基礎(chǔ)授課人：周老師

技術(shù)篇項(xiàng)目3?人工神經(jīng)網(wǎng)絡(luò)01項(xiàng)目描述05項(xiàng)目拓展02項(xiàng)目分析06項(xiàng)目小結(jié)03相關(guān)知識(shí)07項(xiàng)目練習(xí)04項(xiàng)目實(shí)施目錄項(xiàng)目描述01小明去郊游，偶到一處突然被深深吸引：好一片山花爛漫！他再也不想多走一步，他拿出手機(jī)，想用識(shí)別軟件分辨這些花的名字。這些花有不同的顏色，大小，花瓣的形狀也不一樣，小明感到好奇，自己手機(jī)里的軟件到底是怎么辨別這些花朵的呢？這里面有些花連自己都看不出有什么區(qū)別，但識(shí)別軟件卻能將它們分辨出來(lái)。3.1項(xiàng)目描述這背后是深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的技術(shù)。神經(jīng)網(wǎng)絡(luò)是怎么做到對(duì)一張圖片的內(nèi)容進(jìn)行識(shí)別的呢？深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)又是什么關(guān)系呢？這是小明非常想了解的內(nèi)容。3.1項(xiàng)目描述02項(xiàng)目分析科學(xué)家也模仿生物神經(jīng)網(wǎng)絡(luò)來(lái)設(shè)計(jì)機(jī)器學(xué)習(xí)模型，希望它具備甚至超過(guò)人類的智能。我們把這種為機(jī)器設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)，叫做人工神經(jīng)網(wǎng)絡(luò)，它可以像人類一樣對(duì)各種數(shù)據(jù)進(jìn)行感知、分析，并推理出結(jié)果，幫助我們進(jìn)行決策。要利用人工神經(jīng)網(wǎng)絡(luò)幫我們決策，需要學(xué)習(xí)以下內(nèi)容：1.

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2.

單層神經(jīng)網(wǎng)絡(luò)3.深層神經(jīng)網(wǎng)絡(luò)3.2項(xiàng)目分析03相關(guān)知識(shí)生物神經(jīng)網(wǎng)絡(luò)樹突（輸入機(jī)制）——接受輸入的樹狀結(jié)構(gòu)。輸入可能是來(lái)自感覺(jué)神經(jīng)細(xì)胞的感覺(jué)輸入，也可能是來(lái)自其他神經(jīng)細(xì)胞的“計(jì)算”輸入。細(xì)胞體（計(jì)算機(jī)制）——匯合所有樹突的輸入，并基于這些信號(hào)決定是否激活輸出。軸突（輸出機(jī)制）——由細(xì)胞體向外沖出的最長(zhǎng)的一條分支，一旦胞體決定激活輸出信號(hào)，軸突負(fù)責(zé)傳輸信號(hào)，通過(guò)末端的樹狀結(jié)構(gòu)將信號(hào)傳遞給下一層神經(jīng)元。3.3相關(guān)知識(shí)單層人工神經(jīng)網(wǎng)絡(luò)-感知機(jī)結(jié)構(gòu)美國(guó)心理學(xué)家FrankRosenblatt于1957年提出的一種具有單層計(jì)算單元的人工神經(jīng)網(wǎng)絡(luò)，稱為感知機(jī)，這也是最簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)模型。3.3相關(guān)知識(shí)單層人工神經(jīng)網(wǎng)絡(luò)-感知機(jī)結(jié)構(gòu)輸入單元：圖2中的x1，x2，x3，對(duì)應(yīng)圖1中生物神經(jīng)元的樹突（輸入機(jī)制），接受輸入信號(hào)并傳遞給感知單元。感知單元：圖2中的黃色單元，對(duì)應(yīng)圖1中生物神經(jīng)元的細(xì)胞體（計(jì)算機(jī)制），通過(guò)求和的方式匯總所有輸入信號(hào)。輸出單元：圖2中的輸出，對(duì)應(yīng)圖1中生物神經(jīng)元的軸突（輸出機(jī)制），根據(jù)感知單元的值判斷是否激活細(xì)胞體，感知機(jī)的輸出就是激活的結(jié)果，可以傳遞到下一層的感知機(jī)。3.3相關(guān)知識(shí)感知機(jī)的預(yù)測(cè)過(guò)程某個(gè)周末，小明同學(xué)正在考慮是否出門去公園游玩，他考慮的條件有以下三個(gè)：1.天氣好嗎？2.小明的朋友會(huì)不會(huì)陪他去？3.公園離他家的距離是否很遠(yuǎn)？3.3相關(guān)知識(shí)用數(shù)字1和0代表小明的選擇，取值的范圍如下：x1代表今天的天氣，x1=1（好），0（不好）x2代表朋友是否陪他去，x2=1（去），0（不去）x3代表他家離公司的距離，x3=1（近），0（遠(yuǎn)）輸出值為1（小明會(huì)出門），或者為0（小明不出門）感知機(jī)的預(yù)測(cè)過(guò)程如果以上條件滿足：天氣好（x1=1），有朋友陪他去（x2=1），公園離家遠(yuǎn)（x3=0），那么把這些信息輸入到神經(jīng)網(wǎng)絡(luò)中?？梢钥吹?，輸入數(shù)值乘以對(duì)應(yīng)鏈接的權(quán)值參數(shù)后，傳遞到感知單元匯總的值為5（大于0），因此，神經(jīng)元被激活輸出1，得出小明會(huì)出門去公園游玩。3.3相關(guān)知識(shí)學(xué)習(xí)的過(guò)程小明以往出行記錄中的大部分用做訓(xùn)練樣本，剩下的用于測(cè)試樣本，且這些數(shù)據(jù)都是有標(biāo)注的，讓模型根據(jù)這些數(shù)據(jù)學(xué)習(xí)規(guī)律，而測(cè)試樣本則用來(lái)在訓(xùn)練完成后幫助評(píng)估模型的學(xué)習(xí)效果3.3相關(guān)知識(shí)學(xué)習(xí)的算法學(xué)習(xí)的過(guò)程遵循數(shù)據(jù)輸入、輸出預(yù)測(cè)值、修正參數(shù)的反復(fù)循環(huán)迭代的過(guò)程。人工神經(jīng)網(wǎng)絡(luò)模型初始時(shí)的參數(shù)隨機(jī)產(chǎn)生，所以預(yù)測(cè)值不正確，算法會(huì)計(jì)算出預(yù)測(cè)值與真實(shí)值的誤差，反饋給模型來(lái)對(duì)參數(shù)進(jìn)行調(diào)整，而模型并不會(huì)一次將參數(shù)調(diào)整好，而是每次修改一點(diǎn)點(diǎn)，直到預(yù)測(cè)值與真實(shí)值的誤差足夠小，因此這個(gè)過(guò)程會(huì)持續(xù)很多次，根據(jù)參數(shù)的數(shù)量而有所不同。3.3相關(guān)知識(shí)深層神經(jīng)網(wǎng)絡(luò)單個(gè)感知器并不是很強(qiáng)大，只能完成簡(jiǎn)單的任務(wù)。為了讓我們的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)諸如識(shí)別手寫體數(shù)字的復(fù)雜任務(wù)，我們會(huì)把數(shù)量更多的感知器連接在一起從而組成更高級(jí)的網(wǎng)絡(luò)，稱為深層人工神經(jīng)網(wǎng)絡(luò)。3.3相關(guān)知識(shí)識(shí)別鳶尾花鳶尾花數(shù)據(jù)集，該數(shù)據(jù)集總共150個(gè)數(shù)據(jù)樣本，分為3類，每類50個(gè)數(shù)據(jù)，統(tǒng)計(jì)了花萼長(zhǎng)度，花萼寬度，花瓣長(zhǎng)度，花瓣寬度4個(gè)屬性，我們希望通過(guò)這四個(gè)屬性來(lái)預(yù)測(cè)鳶尾花屬于哪一類。3.3相關(guān)知識(shí)識(shí)別鳶尾花創(chuàng)建一個(gè)人工神經(jīng)網(wǎng)絡(luò)，除了輸入層和輸出層之外，包含兩個(gè)隱藏層。因?yàn)閿?shù)據(jù)集中每個(gè)樣本有四個(gè)屬性，所以輸入層的神經(jīng)元必須是四個(gè)，用來(lái)分別接收鳶尾花的四個(gè)特征數(shù)據(jù)。輸出層有三個(gè)神經(jīng)元，對(duì)應(yīng)的是數(shù)據(jù)集中鳶尾花的三個(gè)類別。3.3相關(guān)知識(shí)識(shí)別手寫體數(shù)字假設(shè)有一個(gè)手寫數(shù)字的數(shù)據(jù)集，一共有7萬(wàn)張手寫數(shù)字圖片，把其中6萬(wàn)張用于訓(xùn)練模型，剩下1萬(wàn)張用于測(cè)試效果。3.3相關(guān)知識(shí)識(shí)別手寫體數(shù)字構(gòu)造出的深層神經(jīng)網(wǎng)絡(luò)有784個(gè)輸入單元和10個(gè)輸出單元。我們會(huì)把每張圖片按列拼接成一條直線（784個(gè)元素的一維數(shù)組），剛好可以輸入到這個(gè)神經(jīng)網(wǎng)絡(luò)中，輸出單元數(shù)量對(duì)應(yīng)預(yù)測(cè)數(shù)字的類別，數(shù)字為幾，相應(yīng)的輸出單元就被激活（輸出1），其它單元都被抑制（輸出0）3.3相關(guān)知識(shí)04項(xiàng)目實(shí)施數(shù)據(jù)集展示30張用于垃圾分類的圖像，這此圖像此時(shí)是沒(méi)有任何標(biāo)簽的，需要我們自己根據(jù)圖像中物體的材質(zhì)將這些垃圾分為金屬、玻璃、塑料3類?！败囕v類型識(shí)別”3.4項(xiàng)目實(shí)施打開(kāi)EasyDL平臺(tái)進(jìn)入EasyDL平臺(tái)：/easydl/，選擇“圖像分類”，然后在左側(cè)選擇模型訓(xùn)練，此時(shí)還沒(méi)有任務(wù)模型，我們點(diǎn)擊“訓(xùn)練模型”按鈕。——“車輛類型識(shí)別”3.4項(xiàng)目實(shí)施模型準(zhǔn)備在模型準(zhǔn)備階段，我們選擇新建一個(gè)模型，并為其填寫上相關(guān)信息?！败囕v類型識(shí)別”3.4項(xiàng)目實(shí)施數(shù)據(jù)準(zhǔn)備在數(shù)據(jù)準(zhǔn)備階段，因?yàn)槲覀儧](méi)有自己的汽車數(shù)據(jù)集，所以選擇平臺(tái)為我們準(zhǔn)備的公開(kāi)數(shù)據(jù)集，選擇汽車類型分類V1數(shù)據(jù)，可以看到，這個(gè)數(shù)據(jù)集中共有6個(gè)類別的汽車圖片840張，并且都已經(jīng)標(biāo)記好了，可以直接使用，選擇完成后點(diǎn)擊“下一步”按鈕?！败囕v類型識(shí)別”3.4項(xiàng)目實(shí)施配置信息在訓(xùn)練配置階段，我們選擇圖中相應(yīng)的配置信息，然后開(kāi)始訓(xùn)練。訓(xùn)練完成后，我們可以看到最終模型的預(yù)測(cè)效果?！败囕v類型識(shí)別”3.4項(xiàng)目實(shí)施05項(xiàng)目拓展越是復(fù)雜的神經(jīng)網(wǎng)絡(luò)，想要訓(xùn)練好它就需要更多的數(shù)據(jù)樣本。不過(guò)這些是值得的，如今我們有很多方法來(lái)獲取數(shù)據(jù)，相比起數(shù)據(jù)獲取，更難的反而是給每個(gè)數(shù)據(jù)樣打上標(biāo)記。大家想一想，如果數(shù)據(jù)沒(méi)有標(biāo)記，我們的神經(jīng)網(wǎng)絡(luò)還能不能工作呢？3.5項(xiàng)目拓展06項(xiàng)目小結(jié)神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)領(lǐng)域中的一種重要算法，通過(guò)模擬人腦神經(jīng)系統(tǒng)的組織架構(gòu)，以高度靈活的方式處理復(fù)雜數(shù)據(jù)模式。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)迭代優(yōu)化過(guò)程，涵蓋從隨機(jī)初始化參數(shù)，向前傳播獲得預(yù)測(cè)，計(jì)算誤差，反饋誤差修改模型參數(shù)，然后不斷循環(huán)往復(fù)直至最終算法更新參數(shù)到理想狀態(tài)。每?jī)蓚€(gè)神經(jīng)元之間的連接都有一個(gè)與之相關(guān)的權(quán)重值，表示前一個(gè)神經(jīng)元對(duì)后一個(gè)神經(jīng)元的影響程度，也就是網(wǎng)絡(luò)的參數(shù)。網(wǎng)絡(luò)輸出：網(wǎng)絡(luò)的輸出會(huì)根據(jù)網(wǎng)絡(luò)的連接方式、權(quán)重值的不同而變化。通過(guò)調(diào)整這些參數(shù)，人工神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和適應(yīng)不同的輸入模式，產(chǎn)生預(yù)期的輸出結(jié)果。3.6項(xiàng)目小結(jié)07項(xiàng)目練習(xí)一、選擇題

1.?人工神經(jīng)網(wǎng)絡(luò)的基本組成單元是什么？（

）

A.?樹B.?節(jié)點(diǎn)C.?矩陣D.?神經(jīng)元

2.?在神經(jīng)網(wǎng)絡(luò)中，權(quán)重參數(shù)剛開(kāi)始是多少？（

）A.?1

B.?0

C.?隨機(jī)產(chǎn)生D.?103.?最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)又稱為什么？（

）A.?感知機(jī)B.?機(jī)器C.?深度模型D.?神經(jīng)元3.7項(xiàng)目練習(xí)一、選擇題

4.?人工神經(jīng)網(wǎng)絡(luò)的參數(shù)存儲(chǔ)在哪里？（

）

A.?軸突B.?樹突C.?神經(jīng)元

D.?神經(jīng)元之間的連接

5.?深層神經(jīng)網(wǎng)絡(luò)在輸入層與輸出層之間的層稱為？（

）A.?中間層B.?隱藏層C.?神經(jīng)元D.?深層3.7項(xiàng)目練習(xí)二、填空題1.通過(guò)對(duì)人腦的神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬而設(shè)計(jì)的模型稱為

。2.構(gòu)成神經(jīng)網(wǎng)絡(luò)的基本單元是

。三、問(wèn)答題簡(jiǎn)述為什么需要深層的神經(jīng)網(wǎng)絡(luò)。3.7項(xiàng)目練習(xí)授課結(jié)束謝謝觀看授課人：周老師

人工智能應(yīng)用基礎(chǔ)授課人：周老師

技術(shù)篇項(xiàng)目4?計(jì)算機(jī)視覺(jué)01項(xiàng)目描述05項(xiàng)目拓展02項(xiàng)目分析06項(xiàng)目小結(jié)03相關(guān)知識(shí)07項(xiàng)目練習(xí)04項(xiàng)目實(shí)施目錄項(xiàng)目描述01小明的手機(jī)相冊(cè)中不僅有許多小貓、小狗的照片，也有大量人物、汽車、飛機(jī)等照片，它們有些同時(shí)出現(xiàn)在一張照片里面。雖然小明已經(jīng)知道，識(shí)別照片是什么類別屬于一個(gè)圖像分類任務(wù)，但是當(dāng)照片里面有多個(gè)物體時(shí)，比如即有小貓又有小狗，那么神經(jīng)網(wǎng)絡(luò)要怎么對(duì)這張照片進(jìn)行分類呢？小明非常想了解這背后的技術(shù)。4.1項(xiàng)目描述02項(xiàng)目分析我們經(jīng)常拍攝或者看到的圖像往往都是具有多個(gè)類別的物體，當(dāng)一張圖像中包含多個(gè)類別的很多物體時(shí)問(wèn)題就變得復(fù)雜了，小明的任務(wù)可以看作是目標(biāo)檢測(cè)，找出圖像中不同物體的位置并判斷其類別。要掌握以上各種圖像識(shí)別的知識(shí)，需要學(xué)習(xí)以下內(nèi)容：1.

卷積神經(jīng)網(wǎng)絡(luò)2.

圖像分類3.目標(biāo)檢測(cè)4.2項(xiàng)目分析03相關(guān)知識(shí)識(shí)別動(dòng)物類別假設(shè)有一個(gè)做好標(biāo)記的動(dòng)物圖像數(shù)據(jù)集，目的是要訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別出不同動(dòng)物的類別。經(jīng)過(guò)前面的學(xué)習(xí)，我們可以設(shè)計(jì)一個(gè)深層神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)集中圖片的像素是100×100，為了能輸入到神經(jīng)網(wǎng)絡(luò)中，將圖片中的每列像素依次頭尾拼接成一個(gè)1×10000的一維數(shù)組，剛好對(duì)應(yīng)輸入層的10000個(gè)神經(jīng)元。4.3相關(guān)知識(shí)模式檢測(cè)對(duì)于這個(gè)模型中的神經(jīng)元而言，它要做的就是檢測(cè)圖像里面有沒(méi)有出現(xiàn)一些特別重要的模式（特征），這些模式代表了某種動(dòng)物的特征。4.3相關(guān)知識(shí)特征提取人類在判斷一個(gè)物體的時(shí)候，往往也是抓最重要的特征，看到這些特征以后，就會(huì)直覺(jué)地看到了某種物體。對(duì)于機(jī)器而言，這是一個(gè)有效的判斷圖像中物體的方法，這個(gè)過(guò)程就是前面章節(jié)所說(shuō)的特征提取。4.3相關(guān)知識(shí)深層特征提取各個(gè)層檢測(cè)的特征并不是一次就能識(shí)別出鳥嘴這樣具有抽象意義的高級(jí)特征的，而是隨著網(wǎng)絡(luò)的深度逐漸從簡(jiǎn)單的邊緣和顏色信息過(guò)渡到更復(fù)雜的形狀和物體特征。4.3相關(guān)知識(shí)人工神經(jīng)網(wǎng)絡(luò)的缺陷在神經(jīng)網(wǎng)絡(luò)中，我們用每一層的一個(gè)神經(jīng)元來(lái)判斷某種特定模式是否出現(xiàn)，也許并不需要每個(gè)神經(jīng)元都去看一張完整的圖像。4.3相關(guān)知識(shí)人工神經(jīng)網(wǎng)絡(luò)的缺陷神經(jīng)元接受的輸入是整個(gè)圖像，但它自己的感受范圍是有限的，只能檢測(cè)出一定區(qū)域的鳥嘴。因此，出現(xiàn)在不同區(qū)域的同一個(gè)模式，可能需要多個(gè)神經(jīng)元。而且，圖像輸入到神經(jīng)網(wǎng)絡(luò)中卻需要被拉成一條直線，這也破壞了圖像本身的平面結(jié)構(gòu)，可能會(huì)造成信息損失。4.3相關(guān)知識(shí)卷積神經(jīng)網(wǎng)絡(luò)一個(gè)新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，叫做卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN），是一種現(xiàn)在非常典型的網(wǎng)絡(luò)架構(gòu)，常用于圖像識(shí)別任務(wù)中。4.3相關(guān)知識(shí)卷積神經(jīng)網(wǎng)絡(luò)整個(gè)網(wǎng)絡(luò)分為兩部分，前面由多個(gè)卷積層組成，用于接收輸入的圖像，并對(duì)圖像中的特征進(jìn)行提取與轉(zhuǎn)換，后面一部分是由全連接層組成，跟我們前文介紹的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，用于接收卷積層提取的特征，并輸出分類的結(jié)果4.3相關(guān)知識(shí)卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部組成在輸入層，神經(jīng)元組成的平面必須與輸入的圖像大小保持一致才能完整的接收?qǐng)D像的每個(gè)像素。在層與層的連接部分，神經(jīng)元沒(méi)有與上一層的所有神經(jīng)元保持連接，而是采用了部分連接，這就是我們分析的，圖像中并不是所有區(qū)域都存在我們要提取的特征，不需要將所有神經(jīng)元都進(jìn)行連接，這樣可以減少模型的參數(shù)。4.3相關(guān)知識(shí)卷積操作輸入一張彩色圖片，在卷積層，由于只有部分連接，因此該層上的一個(gè)神經(jīng)元只能檢測(cè)到輸入圖片的一個(gè)有限區(qū)域，并通過(guò)一個(gè)叫做卷積的操作來(lái)計(jì)算這個(gè)區(qū)域有沒(méi)有相關(guān)的特征，如果有的話這個(gè)神經(jīng)元就會(huì)被激活，并傳遞到下一層的神經(jīng)元繼續(xù)檢測(cè)4.3相關(guān)知識(shí)滑動(dòng)掃描神經(jīng)元會(huì)按從左到右、從上到下的順序依次檢測(cè)對(duì)應(yīng)的區(qū)域，直到圖片中所有區(qū)域都檢測(cè)完畢，這種檢測(cè)的方式叫做滑動(dòng)掃描。掃描過(guò)程中，如果某個(gè)神經(jīng)元的掃描區(qū)域內(nèi)存在待檢測(cè)的特征，該神經(jīng)元就會(huì)被激活。4.3相關(guān)知識(shí)垃圾分類我們的生活垃圾種類繁多，自己在分類時(shí)經(jīng)常遇到不易分類的垃圾，很多人會(huì)產(chǎn)生選擇困難，于是可以讓卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)垃圾圖片自動(dòng)分類。數(shù)據(jù)集總共5萬(wàn)張圖片的垃圾分類數(shù)據(jù)集，給這些圖片標(biāo)記出5個(gè)類別，分別是硬紙、玻璃、金屬、報(bào)紙和塑料，每個(gè)類別有1萬(wàn)張圖片。4.3相關(guān)知識(shí)垃圾分類模型首先用訓(xùn)練集進(jìn)行訓(xùn)練，訓(xùn)練完成后利用測(cè)試集評(píng)價(jià)模型效果。整體結(jié)構(gòu)依然是先用卷積層提取特征，然后將提取的特征輸入到全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，最后的輸出層有5個(gè)神經(jīng)元，分別對(duì)應(yīng)垃圾的5個(gè)類別。4.3相關(guān)知識(shí)螺母對(duì)比除了對(duì)單張圖片分類，我們還可以使用孿生網(wǎng)絡(luò)，同時(shí)對(duì)兩張圖片進(jìn)行對(duì)比。孿生網(wǎng)絡(luò)包含了兩個(gè)在結(jié)構(gòu)上一模一樣的卷積模塊，它們是卷積神經(jīng)網(wǎng)絡(luò)去掉最后的全連接層后留下的卷積層4.3相關(guān)知識(shí)目標(biāo)檢測(cè)利用卷積神經(jīng)網(wǎng)絡(luò)的分類能力，將輸入的圖像劃分出多個(gè)窗口，針對(duì)每個(gè)窗口進(jìn)行特征提取，識(shí)別出窗口中內(nèi)容的類別。在輸出端增加一個(gè)全連接層分類器，用于輸出目標(biāo)的位置信息，位置可以表示為框住物體的矩形窗口的坐標(biāo)，這樣我們的模型就能同時(shí)找出圖像中某一區(qū)域物體的類別和位置了。4.3相關(guān)知識(shí)目標(biāo)檢測(cè)我們不知道圖像中哪些位置會(huì)有物體，也不知道物體的大小，所以必須在圖像中用不同大小、不同長(zhǎng)寬比的候選框在整幅圖像上進(jìn)行窮盡式的掃描，有時(shí)候多個(gè)窗口會(huì)重疊找出同一個(gè)物體，每個(gè)窗口都會(huì)被卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類并輸出坐標(biāo)，這種情況需要將輸出的多個(gè)窗口根據(jù)坐標(biāo)合并成一個(gè)窗口。4.3相關(guān)知識(shí)缺陷檢測(cè)在工業(yè)自動(dòng)化和質(zhì)量控制領(lǐng)域，物體表面缺陷檢測(cè)技術(shù)扮演著至關(guān)重要的角色。我們可以利用卷積神經(jīng)網(wǎng)絡(luò)分類和定位各種器件的表面缺陷，如劃痕、凹陷、裂紋等。4.3相關(guān)知識(shí)缺陷檢測(cè)先是收集數(shù)據(jù)并做標(biāo)記，目標(biāo)檢測(cè)的數(shù)據(jù)需要做兩個(gè)標(biāo)記，一個(gè)是將圖像中待檢測(cè)的物體用矩形窗口框出來(lái)，并記錄坐標(biāo)值。另一個(gè)是要標(biāo)記該窗口內(nèi)的物體類別，圖中共標(biāo)記了缺色、凹陷、污漬、劃痕、裂紋5個(gè)類別。4.3相關(guān)知識(shí)缺陷檢測(cè)訓(xùn)練模型時(shí)，輸入層接收標(biāo)記好的表面缺陷數(shù)據(jù)，卷積層通過(guò)滑動(dòng)窗口在數(shù)上掃描各種大小長(zhǎng)寬不同的區(qū)域，對(duì)其進(jìn)行特征提取，然后在全連接層預(yù)測(cè)類別與位置坐標(biāo)，并與標(biāo)記值進(jìn)行比較，根據(jù)誤差修正模型參數(shù)，直到訓(xùn)練完成。4.3相關(guān)知識(shí)車牌識(shí)別用神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行車牌識(shí)別，需要將這個(gè)任務(wù)看作兩個(gè)階段的目標(biāo)檢測(cè)，第一個(gè)階段檢測(cè)出車牌，第二階段在已檢測(cè)出的車牌上，再次檢測(cè)出車牌號(hào)。4.3相關(guān)知識(shí)具體有以下幾個(gè)步驟：1）收集車輛照片并標(biāo)記出其中的車牌和車牌號(hào)信息；2）利用標(biāo)記的數(shù)據(jù)訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)，分別用來(lái)檢測(cè)車牌與車牌上的號(hào)碼；3）將訓(xùn)練好的模型進(jìn)行車牌識(shí)別任務(wù)。車牌識(shí)別因?yàn)橛袃蓚€(gè)目標(biāo)檢測(cè)任務(wù)，所以數(shù)據(jù)的標(biāo)記也有兩類，首先要在汽車圖片中標(biāo)記出車牌，包括類別和定位信息，這類數(shù)據(jù)只針對(duì)整個(gè)車牌，不包括車牌上的字符。然后對(duì)車牌圖片中的字符進(jìn)行標(biāo)記，同樣包括字符的類別和定位信息。4.3相關(guān)知識(shí)車牌識(shí)別得到標(biāo)記數(shù)據(jù)后，先用車牌數(shù)據(jù)訓(xùn)練第一個(gè)模型A，使其學(xué)會(huì)從汽車圖像中檢測(cè)出車牌，然后用車牌號(hào)數(shù)據(jù)訓(xùn)練第二個(gè)模型B，使其學(xué)會(huì)從車牌圖像中檢測(cè)出車牌號(hào)碼。4.3相關(guān)知識(shí)車牌識(shí)別訓(xùn)練完成后即可用測(cè)試樣本對(duì)其進(jìn)行測(cè)試，將汽車圖片輸入第一個(gè)模型檢測(cè)出車牌，根據(jù)預(yù)測(cè)車牌位置坐標(biāo)從原始輸入圖片中截取出車牌部分，輸入到第二個(gè)模型進(jìn)行車牌號(hào)的檢測(cè)。4.3相關(guān)知識(shí)04項(xiàng)目實(shí)施打開(kāi)EasyDL平臺(tái)進(jìn)入百度智能云平臺(tái)的動(dòng)物識(shí)別頁(yè)面：/product/imagerecognition/animal，里面有一個(gè)動(dòng)物識(shí)別的體驗(yàn)功能。——“動(dòng)物識(shí)別”4.4項(xiàng)目實(shí)施上傳圖片數(shù)據(jù)準(zhǔn)備一些動(dòng)物圖片進(jìn)行識(shí)別，測(cè)試一下能不能正確識(shí)別?！皠?dòng)物識(shí)別”4.4項(xiàng)目實(shí)施查看結(jié)果可以看到各個(gè)圖片的識(shí)別效果，無(wú)論是一張圖里有多個(gè)動(dòng)物還是有人類，模型都能準(zhǔn)備的預(yù)測(cè)出正確的類別，但對(duì)于卡通類型的動(dòng)物圖片卻不能很好的識(shí)別，大家想一想這是為什么呢？——“動(dòng)物識(shí)別”4.4項(xiàng)目實(shí)施進(jìn)入百度智能云平臺(tái)進(jìn)入百度智能云平臺(tái)的人體關(guān)鍵點(diǎn)檢測(cè)頁(yè)面：/product/body/pose，里面同樣有一個(gè)人體關(guān)鍵點(diǎn)檢測(cè)的體驗(yàn)功能。不僅能檢測(cè)出圖像中的所有人體，還能精準(zhǔn)定位人體的21個(gè)主要關(guān)鍵點(diǎn)，包含頭頂、五官、頸部、四肢主要關(guān)節(jié)部位等?？梢赃M(jìn)入這個(gè)頁(yè)面，點(diǎn)擊本地上傳按鈕，試著上傳一張自己和朋友的照片，查看一下能否檢測(cè)出人體的各個(gè)關(guān)鍵部位。——“人臉關(guān)鍵點(diǎn)檢測(cè)”4.4項(xiàng)目實(shí)施05項(xiàng)目拓展目標(biāo)檢測(cè)任務(wù)中，在尋找圖像中的目標(biāo)是，采用的是滑動(dòng)窗口的方法，滑動(dòng)窗口是一個(gè)個(gè)大小不一的矩形框，用這個(gè)框去遍歷所有的位置以及所有可能的大小。遍歷得越精確，檢測(cè)器的精度就越高。但這也就帶來(lái)一個(gè)問(wèn)題就是：檢測(cè)的耗時(shí)非常大。比如輸入圖片大小是800×1000，也就意味著有800000個(gè)位置。窗口大小最小是1×1,最大800×1000，所以這個(gè)遍歷的次數(shù)幾乎是無(wú)限次的。我們還有一種方法就是，將輸入圖像分為S×S個(gè)網(wǎng)格，每個(gè)網(wǎng)格檢測(cè)自己范圍內(nèi)的一個(gè)物體和他們的邊界框，這樣可以節(jié)省很掃描時(shí)間。你還能想出其它檢測(cè)掃描時(shí)間的方法嗎？4.5項(xiàng)目拓展06項(xiàng)目小結(jié)在卷積神經(jīng)網(wǎng)絡(luò)中，卷積操作是指將一個(gè)可移動(dòng)的小窗口在圖像上進(jìn)行滑動(dòng)尋找特征，然后一層層傳遞下去，直到全連接層進(jìn)行分類。利用卷積神經(jīng)網(wǎng)絡(luò)，我們最終完成了目標(biāo)檢測(cè)任務(wù)，可以在一張圖像中找出多個(gè)物體并預(yù)測(cè)該物體的坐標(biāo)。在進(jìn)行目標(biāo)檢測(cè)任務(wù)之前，我們首先得學(xué)會(huì)圖像分類任務(wù)，這個(gè)任務(wù)的特點(diǎn)是輸入一張圖片，輸出是它的類別。因?yàn)槟繕?biāo)檢測(cè)本質(zhì)上就是對(duì)多個(gè)物體的分類，另外多了一個(gè)預(yù)測(cè)邊界框的任務(wù)。最后我們了解了利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車牌識(shí)別的案例。4.6項(xiàng)目小結(jié)07項(xiàng)目練習(xí)一、選擇題

1.?在圖像識(shí)別任務(wù)中，卷積神經(jīng)網(wǎng)絡(luò)的哪一層主要負(fù)責(zé)特征提取？（

）

A.?輸入層B.?卷積層C.?輸出層D.?全連接層

2.?圖像識(shí)別任務(wù)中，哪個(gè)步驟通常涉及將圖像調(diào)整為固定大小？（

）A.?數(shù)據(jù)預(yù)處理B.?特征提取C.?分類D.?測(cè)試3.?哪種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特別適用于處理具有矩形結(jié)構(gòu)的圖像數(shù)據(jù)？（

）A.?感知機(jī)B.?全連接神經(jīng)網(wǎng)絡(luò)C.?卷積神經(jīng)網(wǎng)絡(luò)D.?神經(jīng)元4.7項(xiàng)目練習(xí)一、選擇題

4.?識(shí)別一張圖像中有多少個(gè)物體及其所處位置，稱為什么任務(wù)？（

）

A.?圖像識(shí)別B.?圖像分類

C.?目標(biāo)定位D.?目標(biāo)檢測(cè)

5.?在用CNN進(jìn)行圖像分類時(shí)，全連接層的主要作用是什么？（

）A.?特征提取

B.?激活C.?分類

D.?預(yù)處理4.7項(xiàng)目練習(xí)二、填空題1.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、

、全連接層。2.卷積層采用

的方法，大大減少了模型參數(shù)。三、問(wèn)答題在圖片分類中，卷積神經(jīng)網(wǎng)絡(luò)相比于全連接層的神經(jīng)網(wǎng)絡(luò)有什么優(yōu)勢(shì)？4.7項(xiàng)目練習(xí)授課結(jié)束謝謝觀看授課人：周老師

人工智能應(yīng)用基礎(chǔ)授課人：周老師

技術(shù)篇項(xiàng)目6?生成式人工智能01項(xiàng)目描述05項(xiàng)目拓展02項(xiàng)目分析06項(xiàng)目小結(jié)03相關(guān)知識(shí)07項(xiàng)目練習(xí)04項(xiàng)目實(shí)施目錄項(xiàng)目描述01小明在網(wǎng)上商城購(gòu)物，如果看中了自己喜歡的衣服，可以隨時(shí)在商城一個(gè)叫做在線試衣間的頁(yè)面給自己的虛擬人物換衣服，這樣他就可以更方便的找到適合自己的衣服了。他還發(fā)現(xiàn)自己手機(jī)里很多智能軟件可以生成自己不同風(fēng)格的照片。這背后一定又是人工智能在發(fā)揮作用。但同時(shí)他也發(fā)現(xiàn)，給虛擬人物更換衣服，或者給自己的照片更換不同的風(fēng)格好像跟以前學(xué)到的圖像識(shí)別、目標(biāo)檢測(cè)都不一樣，自己在學(xué)習(xí)人工智能的道路上似乎又遇到了瓶頸，小明現(xiàn)在急許解開(kāi)這些謎團(tuán)。6.1項(xiàng)目描述02項(xiàng)目分析人臉識(shí)別、車牌識(shí)別屬于利用深度學(xué)習(xí)能完成的最基本的事情，這些任務(wù)要求人工智能識(shí)別出某些事物，包括圖像、聲音、文本等，然后給他們進(jìn)行分類，判斷這些事情分別是什么。但還有一類任務(wù)，他們不再是做簡(jiǎn)單的分類，而可以自己生成一些你沒(méi)見(jiàn)過(guò)的事物，小明看到的在線試衣間就屬于此類。了解在線試衣間的相關(guān)技術(shù)，需要學(xué)習(xí)以下內(nèi)容：1.

生成式模型2.

圖像生成3.圖像描述6.2項(xiàng)目分析03相關(guān)知識(shí)生成式模型生成式人工智能利用某個(gè)數(shù)據(jù)集中的樣本來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型。然后，由用戶輸入某些提示，讓模型為我們成生與訓(xùn)練數(shù)據(jù)類似的輸出。6.3相關(guān)知識(shí)自動(dòng)編碼器自動(dòng)編碼器是一種生成模型，由編碼器和解碼器組成，它們通常情況下是結(jié)構(gòu)相同的兩個(gè)神經(jīng)網(wǎng)絡(luò)，可以由全連接層組成，也可以是由卷積層組成的。編碼器的任務(wù)將輸入數(shù)據(jù)轉(zhuǎn)換為一個(gè)特征向量，解碼器將該特征向量進(jìn)行解碼重建，轉(zhuǎn)換為輸入數(shù)據(jù)的樣子，從而使其具備了生成數(shù)據(jù)的能力。6.3相關(guān)知識(shí)自動(dòng)編碼器進(jìn)行圖像降噪對(duì)于一個(gè)訓(xùn)練好的自動(dòng)編碼器模型，只要隨機(jī)采樣一些像素值輸入到模型進(jìn)行編碼、解碼之后，可以得到與訓(xùn)練集圖像類似的新圖像，這可以幫我們創(chuàng)建一些新的數(shù)字圖片。6.3相關(guān)知識(shí)自動(dòng)編碼器生成新圖像也可以隨機(jī)的改變特征向量中部分值，解碼器部分就可以用來(lái)從修改過(guò)的特征向量創(chuàng)建新的圖像，得到與訓(xùn)練集圖像類似但不同于訓(xùn)練集中任何一張圖像的新圖像。6.3相關(guān)知識(shí)生成對(duì)抗模型專業(yè)工廠與普通工廠之間生產(chǎn)零件的對(duì)抗6.3相關(guān)知識(shí)生成對(duì)抗模型用生成對(duì)抗模型訓(xùn)練圖像生成器6.3相關(guān)知識(shí)生成對(duì)抗模型核心部件：生成器與對(duì)抗器生成器和判別器采取交替訓(xùn)練先訓(xùn)練生成器，然后訓(xùn)練判別器，不斷往復(fù)，使生成器和判別器的對(duì)抗關(guān)系形成了一種動(dòng)態(tài)平衡。生成器試圖最大化判別器犯錯(cuò)的概率判別器則努力減小這種誤判。這種對(duì)抗訓(xùn)練機(jī)制使得生成器能夠生成越來(lái)越高質(zhì)量的數(shù)據(jù)，同時(shí)也提高了判別器的鑒別能力。6.3相關(guān)知識(shí)生成對(duì)抗模型生成圖片樣例6.3相關(guān)知識(shí)生成對(duì)抗模型生成出手寫數(shù)字圖片6.3相關(guān)知識(shí)生成對(duì)抗模型面對(duì)多種手寫體時(shí)的缺陷，生成器只會(huì)生成其一種或幾種，就足以通過(guò)鑒別器的鑒別6.3相關(guān)知識(shí)生成對(duì)抗模型解決方法：多個(gè)生成器組成的生成對(duì)抗模型6.3相關(guān)知識(shí)風(fēng)格遷移用自動(dòng)編碼器實(shí)現(xiàn)6.3相關(guān)知識(shí)風(fēng)格遷移用生成對(duì)抗模型實(shí)現(xiàn)。根據(jù)輸入的隨機(jī)噪聲來(lái)生成數(shù)據(jù)的，輸入不同的噪聲就會(huì)生成不一樣的圖像，新圖像跟訓(xùn)練數(shù)據(jù)集相似。6.3相關(guān)知識(shí)但無(wú)法去控制這種隨機(jī)性。不能控制生成器具體的輸出內(nèi)容，僅僅能保證新生成的圖像是逼近訓(xùn)練數(shù)據(jù)集中出現(xiàn)過(guò)的帶條件的生成對(duì)抗模型將某種條件，如圖像、文本或?qū)傩詷?biāo)簽值添加到隨機(jī)噪聲圖像中一起輸入到生成器里，通常條件與噪聲圖像直接拼接在一起即可。生成器的輸出就不僅依賴于隨機(jī)噪聲，還要加上條件，而這個(gè)條件是我們可以控制的。6.3相關(guān)知識(shí)帶條件的生成對(duì)抗模型風(fēng)格遷移：將一些風(fēng)格圖像作為條件與隨機(jī)噪聲拼接在一起輸入到生成器，用來(lái)控制生成器輸出的圖像風(fēng)格。6.3相關(guān)知識(shí)帶條件的生成對(duì)抗模型訓(xùn)練一個(gè)手繪風(fēng)格遷移的模型，在訓(xùn)練生成器生成貓的圖片時(shí)，將手繪的草圖作為條件與噪聲一起輸入，來(lái)控制生成圖像的輪廓6.3相關(guān)知識(shí)文本描述生成圖像基于文本描述來(lái)生成圖像內(nèi)容6.3相關(guān)知識(shí)文本描述生成圖像將文字作與噪聲圖像一起作為條件輸入生成對(duì)抗模型進(jìn)行訓(xùn)練。訓(xùn)練生成器的圖像數(shù)據(jù)集需要很大，盡可能多的包含文字可能描述的內(nèi)容。如果文字中提到眼鏡，但圖像數(shù)據(jù)集中沒(méi)有眼鏡的圖像，那說(shuō)明生成器從來(lái)沒(méi)有接受過(guò)眼鏡圖像的訓(xùn)練，自然無(wú)法生成。6.3相關(guān)知識(shí)圖像描述將圖像概括成文本，通過(guò)一段文字來(lái)描述，從而實(shí)現(xiàn)輔助理解一些常人難以理解的圖像，又稱圖像字幕生成。6.3相關(guān)知識(shí)圖像描述常用的流程包括：圖像特征提取和將圖像翻譯為文字。1、使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像的特征向，特征包括圖像中的對(duì)象、場(chǎng)景和它們之間的關(guān)系。2、將提取的圖像特征看作一種文本，輸入到某種翻譯模型中，根據(jù)圖像特征中的信息生成符合語(yǔ)法和語(yǔ)義的文本描述，整個(gè)過(guò)程類似于將圖像翻譯為文字。6.3相關(guān)知識(shí)圖像描述圖像描述任務(wù)所需要的數(shù)據(jù)集是很大的，并且每張圖像都有對(duì)應(yīng)人工標(biāo)記，這些標(biāo)記內(nèi)容就是圖像的描述文本。標(biāo)記的內(nèi)容決定了在遇到類似圖片時(shí)，會(huì)優(yōu)先生成與標(biāo)記風(fēng)格類似的文本。6.3相關(guān)知識(shí)圖像描述樣例圖像描述基于單詞的圖像描述方法：先從圖像中提取單詞，然后由單詞組成多個(gè)候選句子，最后對(duì)這些候選句子進(jìn)行篩選或合并，形成最終的描述文本。需要一個(gè)目標(biāo)檢測(cè)模型來(lái)提取一副圖像中所包含的可識(shí)別物體，該物體的類別即可對(duì)應(yīng)要生成的單詞，而單詞之間的關(guān)系可通過(guò)物體邊界框的位置來(lái)確定6.3相關(guān)知識(shí)04項(xiàng)目實(shí)施1、打開(kāi)EasyDL平臺(tái)進(jìn)入頁(yè)面：/product/face/merge，在該頁(yè)面中點(diǎn)擊“本地上傳”按鈕來(lái)指定目標(biāo)圖和模版圖，目標(biāo)圖將與模板圖進(jìn)行融合，輸出一張融合后的人臉。——“人臉融合”6.4項(xiàng)目實(shí)施2、上傳圖片自己上傳兩張圖片，分別作為模板圖和目標(biāo)圖，并查看最終效果。05項(xiàng)目拓展如果我們要把自己的樣子變成喜歡的動(dòng)漫人物，也可以用條件生成對(duì)抗模型來(lái)完成。類比風(fēng)格遷移的話，動(dòng)漫人物就是一種風(fēng)格，我們要做的是把動(dòng)漫中的人物風(fēng)格遷移到自己的照片中。這種模型要怎么訓(xùn)練你能說(shuō)出來(lái)嗎？6.5項(xiàng)目拓展06項(xiàng)目小結(jié)自動(dòng)編碼器網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)，這兩個(gè)模型都屬于自監(jiān)督學(xué)習(xí)，在訓(xùn)練時(shí)不需要給數(shù)據(jù)做上標(biāo)記，而是以數(shù)據(jù)本身作為學(xué)習(xí)的目標(biāo)，這可以節(jié)省大量的工作。利用生成式模型，我們可以創(chuàng)造一些原來(lái)沒(méi)有的數(shù)據(jù)，生成一些意想不到的圖像或是文本，比如圖像去噪、風(fēng)格遷移、利用文本生成對(duì)應(yīng)的圖像和用文本描述圖像內(nèi)容等。但是為了完成這些任務(wù)，模型需要有大量的訓(xùn)練數(shù)據(jù)，才能保證結(jié)果能接受。6.6項(xiàng)目小結(jié)07項(xiàng)目練習(xí)一、選擇題

1.?生成式人工智能的目標(biāo)是什么？（

）

A.?提高訓(xùn)練速度B.?提高計(jì)算效率C.?模擬人類的創(chuàng)造力D.?實(shí)現(xiàn)自動(dòng)化生產(chǎn)2.?生成式模型能夠生成哪些類型的數(shù)據(jù)？（

）A.?文本

B.?圖像C.?音頻D.?文本、圖像、音頻和視頻等多種類型的數(shù)據(jù)3.?生成對(duì)抗網(wǎng)絡(luò)的作用是什么？（

）A.?生成逼真的圖像、文字、視頻等B.?優(yōu)化數(shù)據(jù)存儲(chǔ)C.?圖像識(shí)別D.?目標(biāo)檢測(cè)6.7項(xiàng)目練習(xí)一、選擇題

4.?生成式人工智能在文本生成方面的應(yīng)用不包括以下哪一項(xiàng)？（

）

A.?創(chuàng)作新聞文章B.?生成詩(shī)歌C.?編寫程序代碼D.?實(shí)現(xiàn)語(yǔ)音識(shí)別5.?以下哪項(xiàng)不是生成式人工智能的關(guān)鍵技術(shù)？（

）A.?深度學(xué)習(xí)B.?樣本標(biāo)簽C.?神經(jīng)網(wǎng)絡(luò)D.?生成對(duì)抗模型6.7項(xiàng)目練習(xí)二、填空題1.自動(dòng)編碼器由

和

兩部分組成。2.生成式人工智能的最大區(qū)別在于能根據(jù)訓(xùn)練數(shù)據(jù)生成新數(shù)據(jù)，如文本、

和音頻等。三、問(wèn)答題簡(jiǎn)述生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程與傳統(tǒng)的分類模型有什么不一樣。6.7項(xiàng)目練習(xí)授課結(jié)束謝謝觀看授課人：周老師

人工智能應(yīng)用基礎(chǔ)授課人：周老師

技術(shù)篇項(xiàng)目5?自然語(yǔ)言處理01項(xiàng)目描述05項(xiàng)目拓展02項(xiàng)目分析06項(xiàng)目小結(jié)03相關(guān)知識(shí)07項(xiàng)目練習(xí)04項(xiàng)目實(shí)施目錄項(xiàng)目描述01文字是我們傳遞信息的基本媒介，在互聯(lián)網(wǎng)高度發(fā)達(dá)的今天，文字形式的信息也以爆炸式的速度增長(zhǎng)著。媒體一刻不停地在網(wǎng)絡(luò)上發(fā)布著最新的新聞，人們隨時(shí)隨地通過(guò)手機(jī)談?wù)撝磉叺氖虑椋繒r(shí)每刻都有大量的文字從各種渠道生產(chǎn)出來(lái)。面對(duì)海量的文本數(shù)據(jù)，我們又該用什么樣的人工智能技術(shù)對(duì)其進(jìn)行分析與理解，從而節(jié)省人類有限的閱讀時(shí)間與精力呢？5.1項(xiàng)目描述02項(xiàng)目分析為了使用人工智能技術(shù)理解文本內(nèi)容以及發(fā)掘文本的潛在語(yǔ)義，需要建立龐大的語(yǔ)料庫(kù)，將文字編碼為機(jī)器能“閱讀”的數(shù)據(jù)格式。當(dāng)遇到大量的文本信息，諸如博客，新聞，書籍等大文檔，怎么快速的從中理解關(guān)鍵信息就是自然語(yǔ)言處理可以發(fā)揮作用的地方。全面了解自然語(yǔ)言處理的關(guān)鍵技術(shù)，需要學(xué)習(xí)以下內(nèi)容：1.

文本表示方法2.

文檔分類3.機(jī)器翻譯5.2項(xiàng)目分析03相關(guān)知識(shí)文本表示自然語(yǔ)言處理中的第一個(gè)關(guān)鍵步驟是將原始文本轉(zhuǎn)換為計(jì)算機(jī)可以有效處理的格式。最基本的處理流程包括預(yù)處理、分詞、編碼三個(gè)步驟。5.3相關(guān)知識(shí)編碼的過(guò)程①預(yù)處理：在處理文本之前，文本需要標(biāo)準(zhǔn)化以確保一致性，如刪除標(biāo)點(diǎn)符號(hào)。對(duì)于英文來(lái)說(shuō)還需要統(tǒng)一字母大小寫，或者一些縮寫的形式，比如：“I’m”和“Iam”。②分詞：預(yù)處理后的文本需要拆分為單詞，也稱為token。例如，句子“我愛(ài)北京天安門”，分詞結(jié)果為：“我/愛(ài)/北京/天安門”，而英文句子的分詞可以根據(jù)單詞之間的空格進(jìn)行拆分。③編碼：由于計(jì)算機(jī)以數(shù)字為依據(jù)進(jìn)行操作，每個(gè)token都會(huì)轉(zhuǎn)換為數(shù)字表示。最簡(jiǎn)單的方法可以為每個(gè)token分配一個(gè)唯一的數(shù)字標(biāo)識(shí)符?！拔?正在/學(xué)習(xí)/人工智能”分配的數(shù)字分別為5，22，16，73。除了這個(gè)直接轉(zhuǎn)換為數(shù)字的方法，也可以將token轉(zhuǎn)換成一個(gè)多維向量的形式，叫做獨(dú)熱編碼（one-hot）5.3相關(guān)知識(shí)獨(dú)熱編碼基本思想是使用一個(gè)跟句子長(zhǎng)度一樣的向量來(lái)表示一個(gè)詞，向量中只在該詞出現(xiàn)的位置設(shè)置為1，其余全部為0。比如我們的句子一共有4個(gè)詞{我,正在,學(xué)習(xí)，人工智能}，那么向量長(zhǎng)度則為4，“我”就表示為[1,0,0,0,]，“正在”就表示為[0,1,0,0]，“學(xué)習(xí)”就表示為[0,0,1,0]，“人工智能”就表示為[0,0,0,1]。5.3相關(guān)知識(shí)詞嵌入詞嵌入將文本表示為一個(gè)詞向量，是一種將詞匯表中的每個(gè)單詞映射到一個(gè)高維向量的技術(shù)。將獨(dú)熱編碼改成詞向量后，男人、女人、國(guó)王、皇后四個(gè)詞語(yǔ)，映射到一個(gè)7維的空間中，每個(gè)詞語(yǔ)都對(duì)應(yīng)了一個(gè)7維的向量。這樣，每個(gè)單詞在這個(gè)空間內(nèi)都有一個(gè)唯一的、稠密的實(shí)數(shù)向量作為表示，稱為詞向量。5.3相關(guān)知識(shí)詞嵌入詞向量可以發(fā)掘出詞與詞的類比關(guān)系，我們可以在詞向量上做加法和減法，最后得到一些有趣的結(jié)果。比如：國(guó)王-男人+女人=皇后，國(guó)王-皇后=男人-女人。按照這種方法表示出：中國(guó)-北京=法國(guó)-巴黎，do-did=go–went等等。5.3相關(guān)知識(shí)詞向量的應(yīng)用假設(shè)小明要做一個(gè)性格測(cè)試，要從不同維度上給自己在0到100的范圍打分。5.3相關(guān)知識(shí)詞向量的應(yīng)用小明認(rèn)為自己比較外向，給自己在“外向-內(nèi)向”的維度上在打了20分。這里0分是極度外向，100分是極度內(nèi)向。然后標(biāo)準(zhǔn)化一下得分，使其保持在-1和1之間，得到的分?jǐn)?shù)是-0.4，這樣小明在“外向-內(nèi)向”的維度由一個(gè)實(shí)數(shù)-0.4來(lái)表示，該維度可看成是描述性格的一個(gè)特征。5.3相關(guān)知識(shí)詞向量的應(yīng)用按照同樣的方法在第二個(gè)特征上打分，先在0~100之間打分，再標(biāo)準(zhǔn)化后得到0.8。現(xiàn)在小明的性格可以由[-0.4,0.8]的二維向量來(lái)表示。5.3相關(guān)知識(shí)詞向量的應(yīng)用可以根據(jù)這個(gè)向量在前兩個(gè)特征上的得分看對(duì)方是否和自己性格相似，這時(shí)候的性格只考慮了二個(gè)特征維度。5.3相關(guān)知識(shí)詞向量的應(yīng)用對(duì)性格特征完整打分后轉(zhuǎn)換成4維向量，每一個(gè)維度上的數(shù)字就代表性格中某一特征的得分，計(jì)算機(jī)很容易能計(jì)算出這些向量之間的相似程度。如果將它運(yùn)用到單詞中，就是詞嵌入。5.3相關(guān)知識(shí)詞向量的應(yīng)用選擇一些英文單語(yǔ)如：cat，kitten，dog，houses，利用詞嵌入生成多維的詞向量。然后使用降維算法，將詞向量降維至2維，從而在平面上將詞向量繪制出來(lái)。在自然語(yǔ)言處理中，詞嵌入把單詞（word）轉(zhuǎn)換成實(shí)數(shù)向量（vector），因此大家都也把詞嵌入稱為word2vec，用到的技術(shù)最多的也是神經(jīng)網(wǎng)絡(luò)。5.3相關(guān)知識(shí)詞向量的應(yīng)用當(dāng)嵌入“學(xué)習(xí)”這個(gè)詞，可以把“我”，“正在”，“學(xué)習(xí)”，“人工智能”這幾個(gè)上下文單詞一同輸入神經(jīng)網(wǎng)絡(luò)，這樣能夠更好的表現(xiàn)“學(xué)習(xí)”在語(yǔ)句中的含義與位置。當(dāng)然，輸入到神經(jīng)網(wǎng)絡(luò)的是這些單詞的編碼，可以是簡(jiǎn)單的數(shù)字編碼，也可以是獨(dú)熱編碼，最終輸出“學(xué)習(xí)”這個(gè)詞的詞向量。5.3相關(guān)知識(shí)文檔主題分類對(duì)于多個(gè)單詞組成的句子，我們利用詞嵌入技術(shù)將句子中的單詞生成對(duì)應(yīng)的詞向量后，將這些詞向量拼接起來(lái)形成表示整個(gè)句子的向量。這個(gè)向量會(huì)比較長(zhǎng)，可以再通過(guò)一個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行轉(zhuǎn)換，來(lái)生成一個(gè)維度比較小的句子向量。5.3相關(guān)知識(shí)文檔主題分類同樣的原理，我們可以用句向量再組合成文檔向量，然后用最終生成的文檔向量來(lái)代表整個(gè)文檔的嵌入表達(dá)。5.3相關(guān)知識(shí)情感傾向分析將情感傾向分析看作一個(gè)分類任務(wù)，將情感分為正面、負(fù)面和中性三類。英文句子：“Ilikethisphotoverymuch!”。該句子包含七個(gè)“元素”，采用詞嵌入的方法將這個(gè)七個(gè)元素轉(zhuǎn)換成詞向量（標(biāo)點(diǎn)符號(hào)也可以看作一個(gè)單詞），假設(shè)每個(gè)“詞向量”的維度被設(shè)定為5，那么整個(gè)句子可以表示成一個(gè)7行5列矩陣。5.3相關(guān)知識(shí)情感傾向分析形成的矩陣在計(jì)算機(jī)看來(lái)跟一張分辨率為7×5的圖像是差不多的，而卷積神經(jīng)網(wǎng)絡(luò)剛好特別擅長(zhǎng)圖像分類，于是可以搭建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，并用大量標(biāo)注過(guò)的文本數(shù)據(jù)將模型訓(xùn)練好，然后對(duì)這個(gè)矩陣進(jìn)行分類，分類的結(jié)果設(shè)置為情感分析的三個(gè)類別：正面、負(fù)面、中性5.3相關(guān)知識(shí)機(jī)器翻譯用于實(shí)現(xiàn)不同語(yǔ)言之間的自動(dòng)轉(zhuǎn)換，常見(jiàn)的模型有循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）模型和Transformer模型。常見(jiàn)的RNN模型結(jié)構(gòu)，該模型有兩個(gè)隱藏層。RNN是專門設(shè)計(jì)用來(lái)處理序列數(shù)據(jù)的深度學(xué)習(xí)模型，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不同，RNN具有循環(huán)結(jié)構(gòu)5.3相關(guān)知識(shí)機(jī)器翻譯在翻譯一個(gè)句子時(shí)，比如“知識(shí)就是力量”，這是一個(gè)文字序列，用RNN翻譯時(shí)，會(huì)把輸出結(jié)構(gòu)又連接回輸入，這種結(jié)構(gòu)特別適合用來(lái)處理序列。我們把RNN的結(jié)構(gòu)展開(kāi)，查看它的結(jié)構(gòu)。5.3相關(guān)知識(shí)機(jī)器翻譯機(jī)器翻譯前，要將句子進(jìn)行編碼（one-hot，或者是詞向量），可以將編碼這一步也用一個(gè)RNN實(shí)現(xiàn)，并統(tǒng)一到整個(gè)翻譯架構(gòu)中，形成RNN翻譯框架。5.3相關(guān)知識(shí)Transformer注意力模型注意力機(jī)制的目標(biāo)是計(jì)算當(dāng)前單詞與整個(gè)句子中其它單詞的相關(guān)性，經(jīng)過(guò)計(jì)算后，假設(shè)“知”與“識(shí)”的相關(guān)性得分為0.8，但是與“就”的相關(guān)性得分只為0.2，說(shuō)明“知”與“識(shí)”更相關(guān)，通過(guò)這種方式就可以得到整個(gè)句子中每?jī)蓚€(gè)單詞之間的關(guān)系。5.3相關(guān)知識(shí)Transformer注意力模型計(jì)算出“知”與其它所有詞的相關(guān)性得分后，根據(jù)分?jǐn)?shù)進(jìn)行加權(quán)求和，生成編碼e0，與“知”相關(guān)性得分越大的詞，如“識(shí)”、“力”，“量”，在編碼e0中所占的比重就越大。5.3相關(guān)知識(shí)Transformer注意力模型句子經(jīng)過(guò)多次編碼之后，會(huì)再通過(guò)解碼器進(jìn)行解碼。解碼器也是基于同樣的注意力機(jī)制，并且是多層的。編碼器負(fù)責(zé)將輸入序列（源語(yǔ)言句子）轉(zhuǎn)換為一個(gè)向量表示（上下文向量），這個(gè)表示包含了輸入序列的所有信息。解碼器則根據(jù)這個(gè)向量逐步生成輸出序列（目標(biāo)語(yǔ)言句子），從而實(shí)現(xiàn)翻譯。5.3相關(guān)知識(shí)04項(xiàng)目實(shí)施打開(kāi)EasyDL平臺(tái)通過(guò)網(wǎng)址進(jìn)入到百度智能云平臺(tái)的文本情感傾向分析的主頁(yè)面：/product/nlp_apply/sentiment_classify，里面有一個(gè)情感分析的演示功能?！扒楦袃A向分類”5.4項(xiàng)目實(shí)施輸入文本在文本框中輸入一段帶有感情色彩的文字，如“人工智能很難學(xué)，但是非常有用，我很想學(xué)好”，在你輸入文字的過(guò)程中，頁(yè)面會(huì)實(shí)時(shí)的分析內(nèi)容，我們可以在文本框下面查看情感傾向結(jié)果。——“情感傾向分類”5.4項(xiàng)目實(shí)施05項(xiàng)目拓展通過(guò)網(wǎng)址進(jìn)入到百度智能云平臺(tái)的地址信息識(shí)別的主頁(yè)面：/product/nlp_apply/address，里面有一個(gè)地址識(shí)別的演示功能，可以幫我們抽取文本中的地址信息。輸入一段地址信息，如“湖南省長(zhǎng)沙市岳麓區(qū)含浦路139號(hào)張，然后點(diǎn)擊“開(kāi)始分析”按鈕，即可在下方結(jié)果欄看到抽取的結(jié)果5.5項(xiàng)目拓展06項(xiàng)目小結(jié)在自然語(yǔ)言處理中，詞嵌入表示是關(guān)鍵部分，可用神經(jīng)網(wǎng)絡(luò)模型生成詞向量。在詞向量中，單詞每個(gè)維度用一個(gè)實(shí)數(shù)向量來(lái)表示。因此，通過(guò)向量來(lái)代表單詞，可以將單詞置于高維度的空間中，意義相近的單詞在空間中傾向于聚集在一起，共同表達(dá)相似的意思。注意力機(jī)制是一種模仿人類視覺(jué)和認(rèn)知系統(tǒng)的方法，它允許神經(jīng)網(wǎng)絡(luò)在處理輸入數(shù)據(jù)時(shí)集中注意力于相關(guān)的部分。通過(guò)引入注意力機(jī)制，神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)地學(xué)習(xí)并選擇性地關(guān)注輸入中的重要信息，提高模型的性能和泛化能力。5.6項(xiàng)目小結(jié)07項(xiàng)目練習(xí)一、選擇題

1.?將原始文本轉(zhuǎn)換為計(jì)算機(jī)可以有效處理的格式，