查看“CC07-机器智能-学习日志”的源代码

2个与艺术相关的人工智能实例
*[https://magenta.tensorflow.org/assets/sketch_rnn_demo/index.html 绘画]

*[https://piano-scribe.glitch.me/  弹琴]

*[https://emojiscavengerhunt.withgoogle.com/   物体识别]

*安全帽openCV基础   参见 [[安全帽检测系统]]

*[[英伟达nvidia Jetson TX1]]

*tenserflow 实例音频识别

*人工智能初创公司介绍及演示

*[https://js.tensorflow.org/  基于tensor.js的demo]

*[[通过神经网络风格化照片]]


===周二===
====2018011551 王洋====
''''第一节课：''''在第一节课上，我们了解了有关智能的相关知识。同时使用基于Tensorflow和python的相关函数画出了一些数学方程的拟合图像。

''''第二节课：''''第二节课一开始，马老师首先给我们介绍了关于Github的一些相关知识，例如实现多人编辑同一文件的原理。之后我们继续讲解了人工智能的相关知识，例如：卷积神经网络，循环神经网络，以及长短时记忆神经网络（LSTM）等等。然后介绍了一些基于人工智能的软件以及网站，从中我看到了人工智能的强大——能够部分识别人的语言（通过函数方法实现对人声函数的识别），以及把曲子转化成特定乐器的程序，还有把梵高名作《星空》制作成风格化的照片的软件……但是如今的人工智能还有很长的路要走：首先是如今的人工智能执行指令所需的过程很长，听老师说，可能会有一小时甚至一天来完成一些人的指令。其二就是人工智能的准确度有待提高，在上堂课上，我们利用网页上基于Tensorflow和RNN的程序实现画图和转换音乐——但最后的效果并不像想象中的那么好——如果说人工智能存在等级的话，那么它应该就是相当于1—3岁小孩的智能一般（画图仿佛不过是简笔涂鸦而已）。然后介绍了英伟达NVIDIA的VISIONWORKS，它是通过GPU的计算来实现视觉识别以及自动驾驶技术。第二个介绍的是基于python编程语言的智能硬件——PYNQ（Python for Zynq）（个人感觉类似于树莓派），它主要是以低功耗为主，所以性能并不是十分强大，但是它在一块板上集成了多种功能。

====2018010679 朱泽鹏====
在这一个主题课时里，给我们首先介绍了，为了能够模拟出较好的人工智能，计算机如何从人的神经元模型入手对人的思维进行模拟。为此我们先熟悉了人的神经元，再接着认识了几种现有的用于模拟的方案。
这些内容逐渐深入，揭示了来自人类思维的更深一层的奥秘，但其复杂性与专业性也显示出了这方面较高的门槛。我只能获得一个大概印象，很难在短时间内有十分详尽的了解与学习。
之后我们在python的一个工具上熟悉了一些特殊的函数的代码，并且我从这些模拟的函数之间体会出了一些些的差别，但更多的可能是对另一种编程语言的直观感受。
在第二课里，我们把目光放在了声控智能和视觉智能上。我们了解了计算机录入并处理音频的大致过程，以及如何对处理过得音频进行怎样的处理可以使声音得到最优的识别。我们还体验了计算机通过视觉识别物体的程序anaconda，这一类的程序耗费计算资源较大耗时较长，这些缺点意味着它距离成熟与应用仍有着不小的一段路要走。

====2018010667 杨星原====
通过这节课，我们一开始从一个智能完成画图工作的软件和一个可以将任意一个MP3格式的歌曲转化为钢琴版歌曲的软件，通过这个引入了人工智能的概念，接着讲了Github软件和其实现文件共享和共同编辑的基本原理。后来通过讲解神经网络告诉我们现阶段的人工智能很多都是基于类似人体神经元的处理方式。之后看了几个智能语音台灯（二极管），并深入的解释了语音智能的原理和形成人工智能的过程：例如，语音台灯的智能化是先采集数百份不同人的语音材料，通过波形图等其他方式让人工智能进行分析处理，最后从而得到了语音调节/操控的过程。另外老师也说了现阶段人工智能的一些不足，比如学习分析还是较慢等等。最后用Anaconda软件让我们体验了一下自己动手（在老师的教导之下>.<）接触人工智能。

====2017080416 陈浩明====
终于熬过制造工程体验课的前八周了！！前八周的课程的最后一部分对我来说是最有意思，那我为什么这样说？虽然我听不懂老师解释有关编程的内容，或者讲解较为专业的知识，但我对现在的科技发展有一个大概的了解。比如，我们可以通过给播音器发出命令而让它放出声音。上次就试过让播音器放我们想要的音乐，我还以为播音器不可能会知道我们说的歌名，谁知它竟然播放出那首歌。这个智能的科技让我想起我在朋友家见过类似的东西。她只要向播音器说放什么歌，它便即刻播放。科技现在发展到这种地步，真是让我大开眼界。除此之外，我在课堂上也看了老师放的视频，就是智能灯。我们可以直接给它发号令，比如说“亮一点”，灯就会变得更亮；如果说“最亮！”，它会开到最亮的程度；假如说“关灯”，它就自然关起来。其实，我以前也见过一些智能的机器，只是当时并没有那么留意。我近来才发现我的父母在美国的家的泳池放了一个智能清洁机器人，而这个机器人也是按照我的号令而移动。比如我说“Go left”，它就会向左转，或者说“Go faster”，它就会即刻加速。就算它在泳池最底，也可以听到我从水面发的号令，当时我只是觉得好玩，完全没有注意到科技的发展。现在想起来，我很想知道它是如何从水底下都可以听到我喊的口令。总括来说，其实在我们的日常生活上，科技的发展每天都在进行，只不过是我自己没有故意去留意着，但经过上这个课程，我不但学了新的知识，同时间也提醒了我科技发展的重要。就算在我的美术专业中，科技也是大量地被用到，希望将来可以探究更多地方式，可以让科技与美术，设计结合起来！！

====2018010570 齐俊杰====
人工智能是现在非常火的一个话题，但是身为一名清华大学的本科生，我们对他的认识不能只停留在人工智能非常厉害上。本节课中，马老师带我们体验了人工智能TENSORFLOW环境的搭建，体验了利用人工智能软件绘制图片，转换音频文件等操作。人工智能是来源于人类对自己的理解，来源于对脑科学的研究，人们企图用一个个电器元件来模仿神经元，达到机器自主学习，自主阅读，自主决策等功能。实际上人工智能是需要大量的训练的，而训练需要极大的计算能力，可能需要几天的时间，而训练的实质实际上是给人工智能一堆参数与数据，并给它结果，然后计算机通过一个一个测试参数最终实现从输入到输出的转换过程，而这个参数将被记录下来。以后只需要输入一个数据，计算机带入这些参数就能完成对这件事的判断，实现智能化

====2017010847 陈旭亮====
本周老师带我们初步了解了目前非常火爆的人工智能领域。我们学习的新知识主要包括了硬件和软件两个部分：
*硬件部分：可以辨识图像的嵌入式系统，如TX1等；
*软件部分：python tensorflow的安装与使用，基本的tensoflow函数等。
由于神经网络确实需要高深的算法、数学知识和运算资源，我们不可能在课上当堂搭建并训练一个网络。但是，老师像我们展示了很多已经成熟的Demo，例如物体识别、语音识别、音乐分析、自动驾驶等等。

人工智能的这一波浪潮虽然才开始几年，但它对于我们生活的改变已在各处展露出来。这一领域的未来发展显然需要更多人才，也注定将颠覆我们原有的生活与对世界的认识方式！
====2018010584====
这两次课上老师给我们介绍了一些关于机器智能，人工智能的知识，我们先是打开了一个tensor-flow的网站sketch-run，这个网站可以自动画出许多不同的物体，如动物，自行车，直升飞机等，有趣的是，这些图像都是来源于其他用户在该网站上画图历史的整合，如果我们画出图像中的一部分，那么网站会自动识别并补全剩下的部分，虽然画画仅有2、3岁小孩的水平，但让我们了解和体验到了人工智能的应用。之后，我们还打开了一些其他有趣的人工智能网站，例如将一段音频文件转化为钢琴曲，或是通过摄像头拍摄的画面识别物体。我们还绘制了一些数学函数并对其中的参数进行修改。我们还了解到人工智能的实现需要人为的进行“训练”，这一过程通常需要很大的计算量且耗时很长，需要我们导入大量的数据，机器在对这些数据进行分析整合后可以得出特定的函数并实现一定程度的智能。

====2017011468 李文哲====
人工智能是当今非常火热的一个话题，老师在最近两周向我们展示了该技术在各种领域的应用，让我们认识到人工智能已经深入到了我们的生活之中。
tensorflow是由Google开发的机器学习框架，也是大多数机器学习从业者使用的主流框架。它通过计算图以及GPU加速的设计使开发者可以较为高效的进行机器学习实验。事实上，仅仅通过python的第三方库numpy也可以实现一个非常简易的逻辑回归机器学习算法。通过最小化Loss Function，单个神经元网络就可以调整参数，从而可以得到比较好的效果。机器学习经过了多次起伏，希望通过机器学习，我们可以取代人类的一些需要部分智能的工作，解放人类的劳动力。
老师也向我们展示了众多科研工作者的项目包括git的使用，显示了CNN,RNN等网络的作用，开阔了我们的眼界。

====周三===
====学生====
====学生====
===周五===
====学生====
====学生====