以前學過人工智能算法，但是只是做了比較簡單的項目像手寫識別和貓狗識別等等，對算法掌握的比較淺顯，一直以來特別想做一個能夠做一個能夠識別自己的小程序，感覺很酷，小牛希望通過這個項目繼續深入學習研究相關算法，本系列文章僅記錄筆者從小白開始的學習歷程。

人臉識別是什么？

人臉識別，特指利用分析比較人臉視覺特征信息進行身份鑒別的計算機技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。

查閱相關資料發現，人臉識別的關鍵點是：目標檢測，關鍵點定位，活體檢測，相識度度量，人臉屬性回歸

什么是深度學習？

關于深度學習的前世今生，深度學習屬于機器學習的一個分支，機器學習是實現人工智能的一個途徑，即以機器學習為手段解決人工智能中的問題。機器學習在近30多年已發展為一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、計算復雜性理論等多門學科。

目前我們人類所講的人工智能，其實是弱人工智能，其不是能夠能真正地推理和解決問題的智能機器，其實是只不過“看起來”像是智能的，也不會有自主意識。我們通過給它大量的訓練數據，讓它去學習其這些數據內在的特征和關系，使其能夠處理類似訓練數據的實際問題。

機器學習中有許多經典的算法，其中有一個叫 人工神經網絡 的算法，隱藏層比較多（大于2）的神經網絡叫做深度神經網絡。而深度學習，就是使用深層架構（比如，深度神經網絡）的機器學習方法。深度學習通俗點講就是神經網絡的升級版。

這里簡單介紹一下相關概念，大家感興趣，可以去看一下斯坦福大學公開課:機器學習課程 或者這篇文章 （小牛感覺寫的太牛了，有種通透的趕腳~~）

什么是感知器？

感知器（英語：Perceptron）是Frank Rosenblatt在1957年就職于康奈爾航空實驗室（Cornell Aeronautical Laboratory）時所發明的一種人工神經網絡。它可以被視為一種最簡單形式的前饋神經網絡，是一種二元線性分類器。

神經網絡的組成單元——神經元。神經元也叫做感知器。

感知器有如下部分：輸入權值，激活函數，輸出

• 輸出權值：一個感知器可以接收多個輸入 ,... ，一個輸入上有一個權值 ，此外還有一個偏置項b。
• 激活函數：感知器的激活函數可以有很多選擇，我們選擇這個經典的階躍函數來作為激活函數：
• 輸出：

任何線性分類或線性回歸問題，都可以用感知器來解決

多層感知器(MLP)也稱人工神經網絡(ANN)

深度學習中的概念變遷：神經元->感知器->神經網絡->深度學習

前向運算

神經網絡的前向運算，就是給定一組輸入，計算輸出的過程。

對于前向傳播來說，不管維度多高，其過程都可以用如下公式表示：

假設上一層結點輸入1，輸入2，輸入3,…等一些結點與本層的結點有連接，那么本層結點的值就是通過上一層的輸入1，輸入2，輸入3結點以及對應的連接權值進行加權和運算，最終結果再加上一個偏置項（圖中為了簡單省略了），最后在通過一個非線性函數（即激活函數），如ReLu，sigmoid等函數，最后得到的結果就是本層結點的輸出。最終不斷的通過這種方法一層層的運算，得到輸出層結果。

σ() = σ(* +)

其中，上標代表層數，星號表示卷積，b表示偏置項bias，σ 表示激活函數。

假設我們構造了一個神經網絡如下圖：

公式如下：

其中f函數是本圖規定的算法，Wij就是相鄰兩層神經元之間的權值， 是對x1,x2,x3進行線性組合， 是都 ，， 的線性組合

如何計算每層權值與偏值，f函數該如何定義，已知具體哪層，求其層的參數是多少？后面文章會一一道來。

明天再繼續，概念還是挺抽象的，把概念寫明白還是挺累的，腦袋要炸了。

參考：https://www.jiqizhixin.com/graph/technologies/f9849d6c-6262-4c1f-8f42-6d976be17161

https://www.zybuluo.com/hanbingtao/note/433855

https://cloud.tencent.com/developer/news/390591