商业银行与人脸识别技术的那些事

　在当前利率市场化、互联网金融蓬勃发展、经济新常态三大因素形成共振的历史转折点上，我国商业银行经营模式面临着全新的变革。如何在精细化经营管理的基础上为客户提供更优质、更安全的服务体验，成为各商业银行竞争的焦点。近年来，云计算、物联网和人工智能技术变革式发展，相关应用百花齐放，对“大数据”资源的整合利用与智能化发展成为了商业银行提高“内力”的修炼法门。人脸信息有着不可复制、不可**、简便直观等优点，是大数据时代各商业银行应储备和发掘价值的重要战略资源。而随着技术变革和应用的普及，建设大规模、分布式人脸数据库及识别系统的成本不断降低，识别的精度不断提高。可以预见，人脸识别技术在商业银行领域的潜在价值将被不断发掘提升，在保障服务安全性、节约客户时间、提升客户体验、整合与挖掘数据资源等方面具备广泛的应用前景。

人脸识别技术概述

　人脸识别技术是以身份检索或校验为目标，通过从给定的静态或动态图像中提取人脸信息等手段，与数据库中已知身份人脸进行匹配的过程。由于受到光照、表情、遮挡、朝向等干扰因素的影响，与其他基于身份z、虹膜、掌纹、指纹等技术手段相比，人脸识别技术的准确率相对较低，但其采集方式最为友好：无须当事人配合，甚至在其意识不到的情况下，就完成了对人脸信息的采集与识别。因此，人脸识别技术在过去的四十多年中一直是人工智能领域的热点研究课题，至今已逐渐走向成熟，已经应用于反恐、安防、门禁等领域，近年来开始向教育、金融等领域推广。

　根据应用场景的不同，人脸识别可分为针对二维图像的人脸识别、针对监控视频的人脸识别、针对近红外、热红外成像或素描等的多模态人脸识别和针对深度信息的三维人脸识别等。对于上述各种数据输入类型，均有来自学术界、业界的研究人员提出了基于不同假设、不同模型、不同学科背景的人脸识别处理方法。经归纳，这些方法有类似的处理步骤，主要包括以下几类：一是人脸检测。解决“有几张脸、脸在哪”的问题，即从或视频中检测并确定人脸的位置，并将其分离。二是人脸跟踪(针对视频人脸)。解决识别人脸“从哪来、到哪去”的问题，对检测到的每一张脸在视频各帧中进行跟踪，如出现遮挡应在遮挡结束后恢复跟踪，比如两张人脸交错而过应不出现混淆。三是人脸规范化。解决“鼻子、眼睛、嘴巴位置对得上”的问题，具体 *** 作包括预处理、归一化、人脸标定等。四是人脸识别。即解决“这个人是谁”(检索)、“这个人是不是某客户”(校验)的问题。

　在建立人脸数据库及识别系统时，需要对人脸数据进行训练并建模，如果数据库动态更新还将涉及到在线学习等内容;识别人脸时，要把须识别的人脸与数据库中已有的人脸进行对比，判断二者相似程度，并按预先设定的标准进行检索或校验。人脸识别有多种方法，如：基于几何特征、基于子空间映射降维、基于模板、基于模型、基于神经网络等方法。

　当前，基于“深度学习”的方法在一些算法竞赛中取得了很高的识别准确率，并迅速在业界投入应用。深度学习并不特指某一个算法，而是SparseCoding、RBM、深信度网络等技术方法的总称。作为一类基于神经网络的方法，根据认知心理学，其主要思想是模拟人类大脑神经的信号传递。与传统神经网络模型2～3层训练层不同，深度学习的训练层数可达8～9层。因此在2006年该思想被提出之初，海量的训练数据和很高的计算复杂度超出了当时硬件的承受能力。但由于计算机硬件性能的提升，深度学习算法在准确率方面的优势迅速凸显。目前，谷歌、微软、百度等公司都成立了专门的部门对深度学习技术进行研究开发，市场上也涌现出一批基于深度学习的人脸识别团队。目前，基于深度学习的方法已经成为人脸识别技术领域的重要发展趋势和方向。

　此外，一些人脸分析技术也随着人脸识别技术的发展得到了普及和优化，包括对表情、年龄、性别等属性的判别，使基于这些属性信息的数据挖掘聚类、分类等大数据分析应用成为可能。人脸识别技术在实际应用中，还可以考虑与其他技术或辅助手段相结合，如结合深度信息实现活体检测，判断是真人还是照片等。

人脸识别技术在商业银行的应用

　人脸识别技术当前主要应用于公共安全领域，如：识别追踪恐怖分子、布控犯罪率高发地区、机场安检、司机驾照验证、视频监控等。然而，人脸识别技术在商业银行同样存在着巨大的发展空间。未来，商业银行可以从安全防控和业务推动两方面着手，对人脸识别技术在银行落地进行全面部署和实施。

安全防控类应用场景

　银行的安防难点之一是在动态场景下完成多个移动目标的实时监测。人脸识别技术在银行等人员密集的区域可以有效实现实时多目标在线检索和比对，实际应用效果良好。而且人脸信息易于采集、难以复制和**、自然直观，因此人脸识别技术可成为商业银行安全防控手段的优先选择。在安全防控领域，银行人脸识别技术的应用场景有以下几类。

　营业场所人员影像控制。在商业银行的营业场所，人脸识别可以通过“伪装识别”进一步确保银行经营的安全性。通过识别营业场所中面部遮挡(如戴墨镜、口罩)的人员，系统可实时与警方数据库中身份数据进行比对，一旦发现异常情况，可以迅速启动黑名单预警机制或采取联网报警措施。此外，还可以将采集到的嫌疑人面部照片提交公安机关，为后续预警和案件侦破提供有力证据。

　业务库区人员身份识别。银行经营过程中对安全性的极高要求使其身份验证技术较其他领域更为严格。例如，在金库、押钞车、ATM机加钞室等特殊环境下，许多传统的身份验证方法均难以满足要求，例如验证密码容易被盗、指纹识别可被复制、门禁卡容易遗失。带有活体检测功能的人脸识别技术可克服上述缺陷，进一步提升银行安防与保密安全性。

　ATM机智能识别报警。在以ATM机为代表的自助设备应用场景下，人脸识别技术同样具有广泛的应用空间。如：通过ATM机内置摄像头识别取款人身份，与yhk所有人信息进行比对，防止盗刷现象;识别伪装或故意遮挡面部的人员身份，与警方数据库进行比对，保证取款人安全。当上述情况发生时，系统可触发预先设定的报警规则，最大程度地保护银行客户的资金和人身安全。此外，人脸识别系统还可监测客户遗留财物的情况，实时提醒，提升用户体验。

　业务推动类应用场景

　当前人脸识别技术在银行业务推动领域的应用方兴未艾，各商业银行仍处于积极探索阶段。从商业银行业务推动的视角来看，人脸识别具有如下应用方式。

　远程开户与登录。作为银行开户时的重要流程，面签不仅耗费客户时间，而且占用银行人力资源。通过用人脸识别替代传统的肉眼辨识工作，不仅可以节约时间和成本，完成从填写个人资料到面鉴开户再到取卡、激活的全流程 *** 作，提升用户体验，而且可以在全网范围内对客户身份及信用背景进行识别和关联，避免人工面签时受到心理、经验等因素的影响。此外，在客户通过手机银行或网上银行进行远程登录时，可以通过人脸识别代替传统的密码输入 *** 作，完成客户查询账单、xyk还款、个人卡间互转、定活期互转等个人资金划转等功能，避免密码被盗或遗忘等现象。

　客户个性化服务。当前商业银行竞争日趋激烈，对客户资源的争夺已由产品导向型转化为服务导向型。通过定制化的个性服务提升客户体验将成为未来商业银行竞争的重要手段。运用人脸识别技术可以很好地完成对客户的识别和精准信息搜索，当某位客户进入营业网点后，可通过人脸识别技术快速判断客户是否为该行现有客户，准确获取客户姓名、年龄等信息，方便网点工作人员拉近与客户的距离。此外，通过对客户以往产品购买、交易流水、业务习惯等行为模式的提取和分析，进一步有针对性地为客户进行产品推介，从而有效提升营销成功率，与客户实现共赢。

　人脸识别贷款发放。在银行贷款发放过程中，为有效杜绝冒名贷款、恶意骗贷等现象，可考虑引入人脸识别技术进行防控。基于贷款客户已在网点录入的人脸信息，通过数据共享，可以实现客户在全网点内的身份识别和验证，真正做到身份信息与银行信息的精准对应，实现贷款客户身份认证信息化、智能化、网络化管理。

　综上可知，人脸识别技术在商业银行应用前景广阔。结合我国商业银行的实际经营情况，建议各银行根据自身业务发展，以业务推动为抓手，优先开展人脸识别技术在客户服务领域的部署与实施。这是因为：一方面从客户角度看，人脸识别技术直接应用于客户服务，能够解决客户最迫切的需求，给予客户最直观的服务体验，有助于快速提升客户满意度;另一方面从商业银行角度看，面向客户服务的人脸识别应用可以快速为银行创造利润，效果明显，可以为人脸识别在银行的全面落地奠定良好基础。

　发展建议

　人脸识别属于计算机科学应用研究而非基础理论，对不同算法进行比较和评价的依据是实验和实践。

　当前，业界较为通行的人脸识别算法基准有LFW(LabeledFacesintheWild)和 FRVT(FaceRecognitionVendorTest)。LFW数据库由美国马萨诸塞大学阿默斯特分校建立，包含13,000余张，多数来自网络而非实验室环境。在数据库中，对同一个人物有的存在多张，有的只存在一张。由于均为日常环境下正常拍摄所得，实用性强，测试难度系数高，实验结果有说服力。学术界和业界分组别参与该项基准测试。FRVT由美国国家标准及技术研究所组织，目标为测试业界人脸识别算法的性能。该基准测试使用一个包含160万人的大数据库，不定期进行测试，最近的一次是在2013年，仅对业界开放。

　国内商业银行在发展人脸识别技术具体应用落地时，除了考虑对LFW和FRVT两个业界权威标准进行参考外，还应立足于对一些实际情况的考量，建议可以优先选择国内的技术产品。一是因为国际上的算法普遍趋同，国外产品的实现效果与国内相比无显著性差异，但价格往往高于国内。二是考虑尽职调查和个性化定制谈判，国内的接洽成本远低于国外。三是监管风险，鉴于商业银行的数据属于核心金融数据，应充分考虑在监管要求下的用户数据安全，并尽可能规避国内外法律体系差异引起的法律风险。四是硬件约束，如果使用国外云服务API，可能出现跨国网络延迟的问题。五是在算法实现方面，国外技术训练数据集中黄种人的较少，可能影响应用效果。六是考虑产品售后服务和技术支持，国内产品的服务响应速度与国外相比存在较大优势。鉴于上述原因，国内商业银行在应用人脸识别技术时可优先考虑从国内领先的服务供应商中进行选择。

　此外，在一些具体应用的功能设计方面，还应遵循相关监管政策与行业规范。以远程开户业务为例，央行2015年8月下发的《关于银行业金融机构远程开立人民币银行账户的指导意见(征求意见稿)》中要求：“银行采用现代化的安全技术手段，利用政府部门数据库、本行自身数据库信息、商业化数据库信息，通过客户信息交叉验证、其他银行账户交叉验证，电话回访、邮寄资料等方式，构建安全可靠的远程开户客户身份识别机制;同时，还可根据开立账户性质采取同一法人不同分支机构见证、通过第三方识别客户身份、上门查验身份z明文件等方式进行客户身份信息核实、开户银行承担客户身份识别责任。”将银行远程开户业务纳入监管，并明确银行是识别客户身份的责任主体。央行2015年12月25日发布的《关于改进个人银行账户服务加强账户管理的通知》将政策落地，其中明确“提供个人银行账户开立服务时，有条件的银行可探索将生物特征识别技术和其他安全有效的技术手段作为核验开户申请人身份信息的辅助手段。”人脸识别技术作为生物特征识别技术家族中的重要成员，预计将成为一种主流的备选方案。而随着业务发展，未来可能还会再出台更加细化的规范或指引。因此，各商业银行应注意加强对新政策、新规定进行学习，并与相关政府机构、监管部门保持沟通，从而在设计和实施相关流程与系统时做到合规。

　随着硬件设备的快速升级和算法技术的不断发展，人脸识别技术逐步从学术研究走向业界应用，并展现出强大的生命力。人脸信息具有易于采集、难以复制和**、自然直观等优点。人脸识别技术为商业银行安全防控和业务推动等应用模式提供了新的技术选择，并进一步开拓了业务运营模式。我国商业银行可以考虑从业务推动类服务入手，在借鉴国内外权威标准的基础上，优先选择国内有竞争力的服务提供商，有步骤、全方位地推动人脸识别技术在商业银行的落地实施。

　

在银行工作一个月多少钱

CCD深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

深度学习主要分为三大模型：

1、卷积神经网络计算模型是在Fukushima(D的神经认知机中提出的，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。

2、堆栈自编码网络的结构与DBN类似，由若干结构单元堆栈组成，不同之处在于其结构单元为自编码模型( auto-en-coder)而不是RBM。自编码模型是一个两层的神经网络，第一层称为编码层，第二层称为解码层。

3、深度信任网络模型，可以解释为贝叶斯概率生成模型，由多层随机隐变量组成，上面的两层具有无向对称连接，下面的层得到来自上一层的自顶向下的有向连接，最底层单元的状态为可见输入数据向量。

人脸识别在近几年迎来井喷式落地应用，人脸识别技术优势明显，相较于指纹识别、虹膜识别等传统的生物识别方式，优点主要集中在四点：非接触性、非侵扰性、硬件基础完善和采集快捷便利，可拓展性好，未来人脸识别有望快速替代指纹识别成为市场大规模应用的主流识别技术，就现阶段而言最贴近民众的领域要属安防领域、商业领域、自助服务领域、金融领域以及娱乐领域等。

一、安防领域

安防与人脸识别有着天然的契合点，因此人脸识别技术最先在安防领域得到广泛应用。例如雪亮工程、智慧交通、治安管理、门禁管理等，人脸识别技术都起到了非常重要的作用。

从技术上来说，现阶段的AI已经基本实现安防监控最主要的三个目标：

1、 识别行人的生理属性。

通过分析行人身体结构，准确识别视频中人物的性别、年龄、姿态等多种生理特征。

2、 识别行人车辆。

基于深度学习的行人检测算法能够在各类遮挡的情况下精确找出行人位臵，并能够进一步分析行人姿态和动作，可应用于交通监控、辅助驾驶、无人驾驶等。可以在行车场景、交通监控场景、卡口场景中检测多种不同角度的车辆，并同时给出车牌号码、汽车品牌、型号、颜色等物理特征。

3、 实现人群分析。

在包括地铁、车站、广场等流动量大高密度的公共场所，估算人群数量和密度，同时检测人群过密、异常聚集、滞留、逆行、混乱等多种异常现象。

而与民众工作生活最为密切的人脸识别技术应用，要数人脸识别考勤、人脸识别闸机以及人脸识别访客机等，被应用于办公楼、社区等多个场合。

视美泰智慧安防解决方案包括了人脸识别闸机以及人脸识别访客管理等，在安全性、便捷性、舒适性和管理控制上都得到了进一步提升。

二、商业领域

无人经济的兴起成为人脸识别技术进军商业领域的重要契机。人脸识别技术是无人经济得以实现的重要支撑。人脸作为最能代表人身份信息的介质，为无人经济创造了数据入口。

利用人脸识别技术可以帮助商家打通会员信息。过去，顾客只有在支付时拿出会员卡营业员才能得知身份，而通过搭载人脸识别技术的智能终端（例如智慧数字标牌等），可以在顾客入店时利用AI系统自动识别其身份，随后通过终端设备提醒服务员；已有VIP会员进入店铺，以可视化的形式提供对方的核心信息与用户画像，以便让服务员提前为特需顾客提供优质的服务。

目前智慧自动售货机也实现了人脸识别支付。以视美泰的人脸识别智慧自动售货机解决方案为例，当会员系统与自动零售系统对接后，用户注册成为会员并进行账户充值，之后在选购商品时就无需再使用手机、现金等，只需刷脸就可以完成3秒支付出货的极致体验。

三、金融领域

在金融领域人脸识别技术同样大放异彩。支付宝的刷脸登录付款大家已经不会陌生了，通过刷脸可以进行账户登录并支付。

多家银行升级了ATM机，其搭载的人脸识别技术全部采用最新的红外双目摄像头活体检测技术，能够完全抵御照片、换脸视频、翻拍、面具攻击，除此之外，还具备静默活体、动作活体、唇语活体等活体检验方式，另外取款除了采用人脸识别功能，用户还需要输入手机号码或身份z号进行身份确认，最后再依靠密钥进行取款。

四、智慧自助终端

随着信息化发展和行业服务效率需求的提升，无人化成为大势所趋，对自助服务终端的需求进入快速增长期，智慧自助终端在银行、电信、教育、医疗、交通、零售等多个行业和领域全面扩张。而人脸识别技术在自助终端上也开始得到应用。

比如身份z明自助办理终端，通过人脸识别技术实时核验办理人员的身份信息，实现完全自助化办理，为群众带来了极大的便利，同时减轻了窗口民警的工作压力，提升了工作效率。带人脸识别功能的核心主板多为视美泰IoT-3288系列人工智能主板，采用的是商汤科技的算法，在精准度上已达995%，因此实际服务于民众时能带来更好地使用体验。

五、娱乐领域

人脸识别技术在娱乐领域同样应用广泛：

1、基于智能人脸检测定位技术，可以打造移动端美颜、美妆效果解决方案。

利用人脸识别中的人脸关键点跟踪、手势识别、背景分割等技术，可以在直播场景中实现更多样化的炫酷效果。

视美泰认为人脸识别技术在进一步完善，解决更复杂环境中的光线等问题，还将在智慧城市的建设中起到更大的作用，为人们带来更为智慧化的生活。

深度学习是这么一个过程，它将节点分解为输入层、输出层以及中间的隐藏层，且同一层之间的节点不能相连，只能与相邻层的节点相连。

如果我们将输入层的序号定为0而将输出层的序号定位N，那么节点也可以赋予一个序号列，记为$x_{i,n}$，其中n表示层的序号，i表示x在层中的序号。激活函数记为f，连接权重记为$\omega^i_{i,n}$，表示从n层的第i个节点连接到n+1层第j个节点的连接。这样一个多层神经网络中的数据流转过程就可以记为下述方程：

这里采用Einstein约定，相同指标自动求和。

上述方程可以通过如下符号形式改写：

我们将原来层内指标i改记为x，每个节点的输出值从x改记为$\phi$，层序号用t标记，连接权重改成了函数G。

这只是符号的改变，意义并没有发生丝毫变化。

但这个方程的形式却值得玩味，因为如果忽略激活函数f，那么下述方程的形式其实是量子力学中用两点关联函数（Green函数）改写的离散本征态系统的波函数演化方程：

因此，一个很直接的想法，就是如果x是连续，会怎么样？

也即，如果我们将离散的每一层节点构成的空间，连续化为一维空间，会得到什么？

答案很直接：

第二步直接取了反函数，这对于sigmoid激活函数来说不成问题，但对于ReLU激活函数来说恐怕不能这儿干，因为其在负半轴是常值函数0，反函数不存在。对于基于ReLU改造的Swish激活函数也不好用，因为它在负半轴非单调，会出现双值，所以也没有反函数。

因此，这个写法颇为形式性。

对空间（神经元节点指标）的连续化挺“顺利”的，如果我们忽略反函数不存在所带来的问题的话。

而对于时间（神经元层指标）的连续化则有点麻烦。

我们先来对上面的结果做一些形变：

然后就可以做很强硬的形式上的连续化：

这里其实就等价于引入了一个隐形的归一化条件：

或者可以写得对激活函数更加“普适”一点：

更准确地说，由于这里无论是节点输出值$\phi$还是激活函数f还是两点连接函数G，都是已知的，所以上式的归一化要求事实上是对G的一次归一化调整，即：

我们可以取归一化调整之后的两点连接函数为新的两点连接函数，从而有最终的运动方程：

从形式上来说，可以看做是非相对论性哈密顿量显含时的薛定谔方程，或者，更加类似的其实是热扩散方程（因为没有关键的虚数单位i）。

我们可以将两点关联函数做一个分离。两点关联函数我们归一化到1，那么此时动力学方程为：

对最后的方程再做一次形变：

由于现在两点关联函数是归一化的，我们可以很任性很形式化地认为它是运动项与非定域的包含了波函数与波函数的动量项的非定域势（原因下面会说），而后面减掉的那一项则可以认为是一个定域的势能项与质量项的结合。

让我们对比一下非相对论性薛定谔方程：

是不是感觉形式上很像？

主要的区别就在于中间的积分那一项。

所以下面我们就来处理这一项。

将积分的部分做一下形变（同时我们这里直接取层内指标为坐标的形式，从而为矢量）：

其中，第一步是将全空间分解为一系列以x为圆心的同心球，第二步中的$\vec n$是同心球上的单位径向量，第三步利用了Stokes定理，第四到第六步则利用了D维空间中的散度的特性。

最后的结果，第一部分是一个径向梯度，加上一个中心势，从而就是前面所说的“运动项与非定域的包含了波函数与波函数的动量项的非定域势”。

接下来，我们取无穷小曲面，即r只在0的邻域范围内，宏观范围的两点关联函数为0，这么一种特殊的情况，其对应的深度神经网络稍后再说，那么此时就有：

假如我们取G的对称部分为$\hat G$而反对称部分为$\tilde G$，则有：

第二部分，将G看做是一个Finsler度量函数，从而这里给出的就是Finsler度量下的二阶微分算符$\nabla^2_G$，乘上一个Finsler度量下指标球相关的常数系数$g_G$。

而第一项则是Finsler度量的反对称部分诱导的类纤维丛联络与波函数梯度的矢量积，乘上另一个指标球相关的常数系数$A_G$。

这方面可以看以前写的老文： 《从弱Finsler几何到规范场》 。

因此，在无穷小连接函数的约束下，上面的方程就是：

形式上是不是很简洁？

而每一项的意义也都明确了：

连接系数给出了Finsler度量，其反对称部分给出了类似纤维丛联络的规范力，其全局变更给出了类时空曲率变化的引力；而激活函数要求的连接系数的归一化系数则是时空上的全局势。

因此深度神经网络的整个学习过程，就是通过输入与输出的散射矩阵，来逆推整个时空的Finsler联络和全局势。

所谓的无穷小邻域内才有效的两点关联函数，在连续化之前，其实对应的就是卷积神经网络中的最小卷积核（33卷积）。

假如我们继续引入卷积神经网络的另一个要求，即卷积核是同一层内相同的，那么就等于将Finsler度量限定为只是时间t的函数：

很明显，整个结构被简化了许多。

如果这个卷积网络还是所有层都共享参数的，那么等于把上述方程中的时间t也取消了，那就更简单了。

而假如我们取激活函数为f(x)=nx，那么就等于取消了全局势。最关键的是，如果两个这样的函数在原点处拼接起来，得到的也是取消全局势的激活函数，这样的激活函数中最著名的就是ReLU函数了，其在负半轴（当然$\phi$的取值也不可能到负半轴……）$\Gamma$恒为0，而在正半轴$\Gamma$恒为1，从而等效的势能函数V恒为0。

从而，ReLU对应的可以认为就是某Finsler时空中的“自由”量子系统或者“自由”热扩散系统了，吧…………

对于不是无穷小邻域的情况，其实可以通过无穷小邻域的情况在有限区间内做积分来获得，从而实际上是一个关于一阶与二阶导的非定域算符。

同样的，残差网络引入了不同间隔的层之间的连接，可以看做是将原本对时间的一阶导替换为一阶导的（时间上）非定域算符。

至于说循环神经网络，因为引入了与层数n不同的“时间”，所以这里暂不考虑——或者可以认为是引入了虚时间？？？

如果我们采用量子场论的视角（虽然很显然不是量子场论），那么深度学习的就是这么一个过程：

首先，我们通过实验知道系统的初态（输入层）与末态（输出层的目标值），而我们不知道的是系统所处的时空的度量（连接系数）与时空上的势能（激活函数）。

于是，我们通过大量的实验（通过大量输入与输出的学习素材）来分析这个时空的特性，通过选择恰当的系统能量函数（Hinton最早给出的RBM与热统中配分函数的相似性，用的就是一维Ising模型的能量函数来类比输出层的误差函数），使得整个系统的最低能态对应的时空就是我们要找的目标时空——这个也容易理解，时空上的测地线一般就是最低能态，而测地线在有相互作用的时候对应散射矩阵，散射矩阵刻画的就是末态与初态的关联，所以反过来知道末态初态就可以设法找出散射矩阵，从而可以设法得到测地线，从而可以设法获得测地线为最低能态的时空，从而得到时空的属性，这个逻辑很合理。

最终，我们利用找到的时空来预测给定初态对应的末态——利用神经网络学习到的结果来进行预测与应用。

所以，训练神经网络的过程，完全可以看做是物理学家通过实验结果来反推时空属性的过程。

很科学。

最后需要说明的是，虽然上面的推导很High，但实际上对于我们解决神经网络的学习这类问题来说，一点帮助都没有。

充其量，只能算是换了一个角度看待神经网络，吧…………

本文遵守 创作共享CC BY-NC-SA 40协议

奇异值分解(Singular Value Decomposition，以下简称SVD)

是在机器学习领域广泛应用的算法，它不光可以用于 降维算法中的特征分解 ，还可以用于 推荐系统 ，以及自然语言处理等领域。

优点： 简化数据，去除噪声，提高算法的结果。

缺点： 数据的转换可能难以理解。

应用领域： 推荐引擎（协同过滤、相似度计算）、图像压缩等。

SVD定义： 如果我们求出了矩阵A的n个特征值λ1≤λ2≤≤λn，以及这n个特征值所对应的特征向量{w1,w2,wn}，如果这n个特征向量线性无关，那么矩阵A就可以用下式的特征分解表示：A=WΣW−1，其中W是这n个特征向量所张成的n×n维矩阵，而Σ为这n个特征值为主对角线的n×n维矩阵。一般我们会把W的这n个特征向量标准化，即满足||wi||2=1, 或者wiTwi=1，此时W的n个特征向量为标准正交基，满WTW=I，即WT=W−1, 也就是说W为酉矩阵。要进行特征分解，矩阵A必须为方阵。那么如果A不是方阵，则用到SVD。

矩阵A的SVD为：A=UΣVT，其中U是一个m×m的矩阵，Σ是一个m×n的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，V是一个n×n的矩阵。U和V都是酉矩阵，即满足UTU=I,VTV=I。

对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说，我们也可以用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵。

因此SVD 也是一种强大的降维工具 ，可以利用 SVD 来逼近矩阵并从中获得主要的特征。通过保留矩阵的 80%~90% 的能量，就可以得到重用的特征并去除噪声。

推荐系统 是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。

主要有以下几种推荐算法：

基于内容的推荐（用到自然语言处理）， 协同过滤（主流） ，基于规则推荐（基于最多用户点击，最多用户浏览等），混合推荐（类似集成算法，投票决定），基于人口统计信息的推荐（根据用户基本信息）

协同过滤推荐分为三种类型。 第一种是基于用户(user-based)的协同过滤（需要在线找用户和用户之间的相似度关系），第二种是基于项目(item-based)的协同过滤（基于项目的协同过滤可以离线找物品和物品之间的相似度关系）， 第三种是基于模型(model based)的协同过滤（用户和物品，主流）。

一般在推荐系统中，数据往往是使用 用户-物品 矩阵来表示的。 用户对其接触过的物品进行评分，评分表示了用户对于物品的喜爱程度，分数越高，表示用户越喜欢这个物品。而这个矩阵往往是稀疏的，空白项是用户还未接触到的物品，推荐系统的任务则是选择其中的部分物品推荐给用户。

对于这个 用户-物品 矩阵，用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。

具体基于模型的方法有：

用关联算法做协同过滤（Apriori算法、FP Tree算法）

用聚类算法做协同过滤（针对基于用户或者基于模型，Kmeans，DBSCAN）

用分类算法做协同过滤（设定评分阈值，高于推荐，低于不推荐，逻辑回归和朴素贝叶斯，解释性很强）

用回归算法做协同过滤（Ridge回归，回归树）

用矩阵分解做协同过滤（由于传统的奇异值分解SVD要求矩阵不能有缺失数据，必须是稠密的，而用户物品评分矩阵是一个典型的稀疏矩阵，主要是SVD的一些变种，比如FunkSVD，BiasSVD和SVD++。这些算法和传统SVD的最大区别是不再要求将矩阵分解为UΣVT的形式，而变是两个低秩矩阵PTQ的乘积形式。）

用神经网络做协同过滤（限制玻尔兹曼机RBM）

在 Python 的 numpy 中，linalg已经实现了SVD

深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：

(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。

(2)基于多层神经元的自编码神经网络，包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)。

(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。

通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”（feature learning）或“表示学习”（representation learning）。

以往在机器学习用于现实任务时，描述样本的特征通常需由人类专家来设计，这成为“特征工程”（feature engineering）。众所周知，特征的好坏对泛化性能有至关重要的影响，人类专家设计出好特征也并非易事；特征学习（表征学习）则通过机器学习技术自身来产生好特征，这使机器学习向“全自动数据分析”又前进了一步。 近年来，研究人员也逐渐将这几类方法结合起来，如对原本是以有监督学习为基础的卷积神经网络结合自编码神经网络进行无监督的预训练，进而利用鉴别信息微调网络参数形成的卷积深度置信网络。与传统的学习方法相比，深度学习方法预设了更多的模型参数，因此模型训练难度更大，根据统计学习的一般规律知道，模型参数越多，需要参与训练的数据量也越大。

20世纪八九十年代由于计算机计算能力有限和相关技术的限制，可用于分析的数据量太小，深度学习在模式分析中并没有表现出优异的识别性能。自从2006年， Hinton等提出快速计算受限玻耳兹曼机(RBM)网络权值及偏差的CD-K算法以后，RBM就成了增加神经网络深度的有力工具，导致后面使用广泛的DBN(由 Hinton等开发并已被微软等公司用于语音识别中)等深度网络的出现。与此同时，稀疏编码等由于能自动从数据中提取特征也被应用于深度学习中。基于局部数据区域的卷积神经网络方法今年来也被大量研究。

学习之前还是要了解下目前工业界所需要的机器学习/人工智能人才所需要必备的技能是哪些？你才好针对性地去学习。正好我前两天刚听了菜鸟窝（一个程序猿的黄埔军校）的一位阿里机器学习算法工程师的课，帮助我理清了思路，在此分享下。

①机器学习的基础是数学，入门AI必须掌握一些必要的数学基础，但是并不是全部的数学知识都要学，只学工作上实际有用到的，比如是微积分、概率论、线性代数、凸优化等这些。

②数据分析里需要应用到的内容也需要掌握，但不是网上所说的从0开始帮你做数据分析的那种，而是数据挖掘或者说是数据科学领域相关的东西，比如要知道计算机里面怎么挖掘数据、相关的数据挖掘工具等等

补足了以上数学和数据挖掘基本知识，才可以正式进行机器学习算法原理的学习。

③算法方面需要掌握一些基本的框架：python、spark、mllib、scikit-learning、pytorch、TensorFlow，数据方面需要懂得HQL、numpy、pandas，如果你本身是后台开发、app开发、数据分析、项目管理，则是一个学习算法的一个加分项。

④最后需要对人工智能有全局的认知，包括机器学习、深度学习两大模块，相关的算法原理、推导和应用的掌握，以及最重要算法思想。

菜鸟窝老师还给出了这样一个学习路线图，你也可以看看。

网络教程还是挺多的，就看怎么学习了，不过遇到比较好的老师带，会少走很多弯路。如果经济上压力不大，建议可以去报一下菜鸟窝的机器学习班，毕竟人家老师都是BAT实战的，知道企业中真正要用到的东西。

不知道有没帮到你？