人工智能是如何通过一张少年照片，准确识别出成年的你

　　CNN（卷积神经网络）往往用于图像识别，正如上文描述的，网络的第一层被训练成可以完成这样一个“小目标”——识别图像中局部的独立模块，如一个方块、一个三角形或者一个眼睛。在这一层，人类输入大量图片数据，只为让该层神经可以辨别基本的局部图形“边缘”，也就是一个图形旁边没有任何东西，接下来的每一层都在前一层得出的信息中寻找更高层次的模式。着中方法模拟了人眼组合信息的方式，丢弃次要细节，优先识别出某种显著模式。如几个小块和一个圆圈合在一起成为一张脸，不论它出现在图像中的什么位置，人眼会首先注意这张脸，而不是平均注意图像的所有部分。

　　RNN（递归神经网络，也叫循环神经网络）则往往用于语音识别和自然语言处理。因为语音和语言是一种按照时间分布的数据，下一句的意义和上一句有关。RNN网络可以记住历史信息。假设我们需要开发一个语言模型，用前面的句子预测后面的测绘。给定“I was born in china in 1977.my college major is mathematics .I speak fluent---”这句话的最后一个词显然是Chinese，这对人类很简单，计算机神经网络则需要能够调取到之前的“China”信息才能做到，这就需要有一种循环设计，使神经网络能够具有一种时间上的深度。

　　深度的神经网络大大优化了机器学习的速度，使人工智能技术获得了突破性进展。在此基础上，图像识别、语音识别、机器翻译等都取得了长足的进步。语音输入比打字快得多，机器翻译让我们基本可以看懂一篇外文资讯，图像识别则早已可以凭借一张少年时期的照片就在一堆成人照片中准确找到这个人，甚至可以把很模糊的照片恢复成清晰且准确的照片。

　　举报/反馈