人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系 以及人工智能對(duì)圖像處理的影響

一、 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的多種寬泛定義

在探討深度學(xué)習(xí)、機(jī)器學(xué)習(xí)與人工智能的關(guān)系之前，先通過(guò)一些參考文獻(xiàn)對(duì)這三個(gè)名詞嘗試進(jìn)行較為寬泛的定義。

人工智能(Artificial Intelligence, 簡(jiǎn)稱AI)：

1. 人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支, 致力于智能行為的自動(dòng)化。[1]

2. 人工智能是關(guān)于知識(shí)的學(xué)科——怎樣表示知識(shí)以及怎樣獲得知識(shí)并使用知識(shí)的學(xué)科[2]。

3. 人工智能就是研究如何使計(jì)算機(jī)去做過(guò)去只有人才能做的智能的工作[3]。

除此之外, 還有很多關(guān)于人工智能的定義, 至今尚未統(tǒng)一。在我看來(lái)，是由于人工智能寬廣的應(yīng)用面和多樣的實(shí)現(xiàn)方法使不同角度的定義成為可能。綜合來(lái)看，目前的人工智能應(yīng)該可以被概括為通過(guò)構(gòu)造具有一定智能行為或者模仿部分大腦思維模式的人工系統(tǒng)，來(lái)解決在一個(gè)問(wèn)題領(lǐng)域出現(xiàn)的復(fù)雜問(wèn)題。

而人工智能的發(fā)展方向是通過(guò)對(duì)生物行為或大腦的研究和模仿, 以期達(dá)到對(duì)意識(shí)、情感、理智三位一體的人工智能建模, 簡(jiǎn)單來(lái)說(shuō)就是通過(guò)無(wú)監(jiān)督學(xué)習(xí)、人工生命、神經(jīng)網(wǎng)絡(luò)等技術(shù)讓機(jī)器具有人類的感知、思維和情感。[4]

機(jī)器學(xué)習(xí)(Machine Learning, 簡(jiǎn)稱ML)：

1. 計(jì)算機(jī)利用經(jīng)驗(yàn)改善系統(tǒng)自身性能的行為(Machine Learning is the study of computer algorithms that improve automatically through experience.)[5]

2. 在傳統(tǒng)意義下, 機(jī)器學(xué)習(xí)可以描述為:令W是一個(gè)問(wèn)題空間, (x, y) ∈W, 稱為樣本或?qū)ο? 其中, x是一個(gè)n維矢量, y是一個(gè)類別域中的一個(gè)值。由于我們觀察能力的限制, 我們只能獲得W的一個(gè)真子集, 記為Q?W, 稱為樣本集合 (對(duì)象集合) .由此, 根據(jù)Q建立一個(gè)模型M, 并期望這個(gè)模型對(duì)W中的所有樣本預(yù)測(cè)的正確率大于一個(gè)給定的常數(shù)θ。[6]

3. 機(jī)器學(xué)習(xí)主要研究如何使用計(jì)算機(jī)模擬和實(shí)現(xiàn)人類獲取知識(shí) (學(xué)習(xí)) 過(guò)程, 創(chuàng)新、重構(gòu)已有的知識(shí), 從而提升自身處理問(wèn)題的能力。機(jī)器學(xué)習(xí)的最終目的是從數(shù)據(jù)中獲取知識(shí)。[7]

機(jī)械學(xué)習(xí)的定義雖然也較為宏大，但是容易發(fā)現(xiàn)在例定義中的“經(jīng)驗(yàn)”、“預(yù)測(cè)”、“模擬和實(shí)現(xiàn)人類獲取知識(shí)”等詞是屬于人工智能的范疇，或者是實(shí)現(xiàn)人工智能的一種常用方式。這與之后分辨它們的關(guān)系有關(guān)。

個(gè)人在CSDN博客上的調(diào)查發(fā)現(xiàn)，在目前的一些實(shí)際操作中，機(jī)器學(xué)習(xí)常常按照這個(gè)過(guò)程來(lái)進(jìn)行：先給予一批數(shù)據(jù)樣本，然后通過(guò)算法來(lái)學(xué)習(xí)這批數(shù)據(jù)，然后利用學(xué)習(xí)的結(jié)果來(lái)實(shí)現(xiàn)預(yù)測(cè)或推斷之后系統(tǒng)的行為或者決策的方向。

深度學(xué)習(xí)(Deep Learning，簡(jiǎn)稱DL)：

1. 深度學(xué)習(xí)通過(guò)建立類似于人腦的分層模型結(jié)構(gòu)，對(duì)輸入數(shù)據(jù)逐級(jí)提取從底層到高層的特征，從而能很好地建立從底層信號(hào)到高層語(yǔ)義的映射關(guān)系。[8]

2. 深度學(xué)習(xí)是用于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機(jī)制來(lái)解釋數(shù)據(jù)的一種機(jī)器學(xué)習(xí)技術(shù)。[9]

3. 深度學(xué)習(xí)可通過(guò)學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)復(fù)雜函數(shù)逼近,表征輸入數(shù)據(jù)分布式表示,并體現(xiàn)了它對(duì)于輸入樣本數(shù)據(jù)的強(qiáng)大的本質(zhì)特征的抽取能力。[10]

相比于人工智能和機(jī)器學(xué)習(xí)，深度學(xué)習(xí)的定義就相對(duì)明晰具體了許多。同時(shí)深度學(xué)習(xí)的范圍也進(jìn)一步縮小，成為眾多的機(jī)器學(xué)習(xí)的算法中的一種，而且據(jù)稱已經(jīng)成為目前基于神經(jīng)網(wǎng)絡(luò)算法的最重要的一種[8]。

而深度學(xué)習(xí)的發(fā)展是在所謂的淺層學(xué)習(xí)不能滿足研究、發(fā)展的需要的基礎(chǔ)上建立起來(lái)的。淺層學(xué)習(xí)，如多數(shù)分類、回歸等學(xué)習(xí)方法，其局限性在于有限樣本和計(jì)算單元情況下對(duì)復(fù)雜函數(shù)的表示能力有限，針對(duì)復(fù)雜分類問(wèn)題其泛化能力受到一定制約。[12]

二、 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系

按照我目前查找到的部分資料，國(guó)內(nèi)的人工智能的學(xué)術(shù)界或者應(yīng)用界對(duì)深度學(xué)習(xí)、機(jī)器學(xué)習(xí)與人工智能的關(guān)系主要分為以下兩種[13]：

圖表1.png

圖表2.png

第一種如圖表1，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子集，而機(jī)器學(xué)習(xí)是人工智能的子集，例如參考文獻(xiàn)[8]和[14]。第二種如圖表二，仍然認(rèn)為深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子集，但是機(jī)器學(xué)習(xí)并不天生就是人工智能的一部分，而是獨(dú)立于人工智能以外的一種可以協(xié)助完成人工之智能目標(biāo)的方式，因?yàn)闄C(jī)器學(xué)習(xí)還可以應(yīng)用在除了人工智能以外的領(lǐng)域，例如參考文獻(xiàn)[12]。

就我而言，我更贊同第一種看法，即機(jī)器學(xué)習(xí)是人工智能的子集。因?yàn)楹髞?lái)發(fā)展起來(lái)的真正有著各個(gè)領(lǐng)域有著突破性影響的機(jī)器學(xué)習(xí)，也就是如今常用語(yǔ)境情況下的機(jī)器學(xué)習(xí)基本上都只應(yīng)用于人工智能領(lǐng)域。

三、 人工智能對(duì)圖像處理的影響

基于人工智能深入研究并分析圖像識(shí)別技術(shù)有著明顯的現(xiàn)實(shí)意義。在計(jì)算機(jī)技術(shù)與信息技術(shù)發(fā)展背景下，圖像識(shí)別技術(shù)備受關(guān)注。在計(jì)算機(jī)技術(shù)和信息技術(shù)發(fā)展的背景下，圖像識(shí)別技術(shù)引起了人們的廣泛關(guān)注。圖像識(shí)別技術(shù)的形成和更新已成為圖像識(shí)別技術(shù)的主要發(fā)展趨勢(shì)，具有廣闊的應(yīng)用前景。^[13]

無(wú)論是醫(yī)療、金融還是信息采集、產(chǎn)品安全，圖像識(shí)別技術(shù)都得到了應(yīng)用。其存在價(jià)值是讓計(jì)算機(jī)代替人工處理大量的圖片等富媒體信息。在計(jì)算機(jī)技術(shù)不斷完善的前提下，我們更加深刻地認(rèn)識(shí)到圖像識(shí)別技術(shù)的價(jià)值。

仍然據(jù)參考文獻(xiàn)[13],融合了人工智能的圖像識(shí)別技術(shù)優(yōu)勢(shì)顯著最突出的優(yōu)勢(shì)就是科技發(fā)展中對(duì)圖像識(shí)別技術(shù)的應(yīng)用質(zhì)量。站在智能化角度分析，較之于傳統(tǒng)圖像處理技術(shù)，人工智能圖像識(shí)別技術(shù)的區(qū)別明顯。特別是人臉解鎖的功能，和圖像處理智能識(shí)別存在異曲同工之妙。也就是在完成一次人臉解鎖以后，就能夠以此方法為主要解鎖手段。除此之外，智能化還能夠自我分析和保存。在此基礎(chǔ)上，根據(jù)圖形識(shí)別便捷化分析，伴隨圖像識(shí)別技術(shù)的合理運(yùn)用，使人們生活和工作獲得了高質(zhì)量的服務(wù)。基于社會(huì)快速發(fā)展，圖像識(shí)別技術(shù)大眾化特征逐漸突顯出來(lái)。^[14]

總而言之，我認(rèn)為人工智能對(duì)于圖像處理的影響是量變引起質(zhì)變的一個(gè)過(guò)程，故沒(méi)有大量的圖像數(shù)據(jù)就無(wú)法支撐起人工智能手段的分析，而一旦這個(gè)量上的條件滿足，人工智能可以在不斷地學(xué)習(xí)中挖掘出傳統(tǒng)手段無(wú)法發(fā)現(xiàn)的信息，或是完成傳統(tǒng)手段難以大批量完成的任務(wù)。

參考資料

[1] LUGER G F.人工智能:復(fù)雜問(wèn)題求解的結(jié)構(gòu)和策略[M].6版.北京:機(jī)械工業(yè)出版社, 2009.

[2] 賈同興.人工智能與情報(bào)檢索[M].北京:北京圖書(shū)館出版社, 1997.15-103.

[3] 胡勤.人工智能概述[J].電腦知識(shí)與技術(shù), 2010, (13) :3507-3509.

[4] 賀倩.人工智能技術(shù)的發(fā)展與應(yīng)用[J].電力信息與通信技術(shù),2017,15(09):32-37.

[5] Tom Mitchell. Machine Learning. McGraw Hill HigherEducation, 1997

[6] 王玨,石純一.機(jī)器學(xué)習(xí)研究[J].廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2003(02):1-15.

[7] 陳康,向勇,喻超.大數(shù)據(jù)時(shí)代機(jī)器學(xué)習(xí)的新趨勢(shì)[J].電信科學(xué),2012,28(12):88-95.

[8] 余凱,賈磊,陳雨強(qiáng),徐偉.深度學(xué)習(xí)的昨天、今天和明天[J].計(jì)算機(jī)研究與發(fā)展,2013,50(09):1799-1804.

[9] 華為云技術(shù)宅基地（已認(rèn)證的官方賬號(hào)）.什么是深度學(xué)習(xí)--知乎[EB/OL]. https://www.zhihu.com/question/24097648 .

[10] 林妙真. 基于深度學(xué)習(xí)的人臉識(shí)別研究[D].大連理工大學(xué),2013.

[12] 孫志軍,薛磊,許陽(yáng)明,王正.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2012,29(08):2806-2810.

[13] 圖表1和圖表2的圖片來(lái)自：https://blog.csdn.net/hebi123s/article/details/82770253

[13] 酈濤.基于人工智能的圖像識(shí)別技術(shù)的研究[J].通訊世界,2019,26(08):69-70.

[14] 伊新銅,楊建興.基于深度學(xué)習(xí)的圖像處理[J].計(jì)算機(jī)產(chǎn)品與流通,2019(07):240.