人工智能为什么这么强大？

人工智能为什么这么强大？

就像《狮子王》中谈到的：the past can hurt. you can either run from it or learn from it（过去的经历可能会造成伤害，你可以不管这些东西，或者从中学到一些东西）。

过去以前的编程和人工智能的编程有什么区别？机器学习、深度学习、增强学习以前的编程是不关心机器的经验的，以前的编程是根据你的经验和代码，无法根据现有的数据或发生的事件改变你的程序，流程各方面已经确定，无法从已有的数据或个体的数据进行学习，第一行代码，第二行代码，第三行代码......；而人工智能的核心，能从每次发生的事件中进行学习，并不断改进优化，然后用不断优化应对现在和未来的变化。科研界认为PyTorch比谷歌的TensorFlow好很多，因为PyTorch有个动态图的核心特性，可以随时修改图；TensorFlow是业界最核心主流的人工智能框架，TensorFlow是静态的，静态图根据已有的数据学习完成以后就不能再修改，而PyTorch学习完成以后可以动态改变，PyTorch是业界最先进的人工智能框架。

人工智能从每次的经历进行学习，用于下一次的行为改进。深度学习基于海量的数据完成这个过程，增强学习是实时的与环境进行交互，来完成这个过程。机器学习、深度学习、增强学习的算法如果不是从这个角度考虑的，那一定是错的。

 

如图1-9所示，TensorFlow网站（http://playground.tensorflow.org/）是TensorFlow公司提供给人工智能学习者从可视化图的角度看人工智能的神经网络到底是怎么运行的示意图。

 

图 1- 9 TensorFlow可视化运行图

 

Data是数据，从数据里面提取特征（FEATURES），类似大脑的加工处理过程，对特征进行加工处理，如果想成为人工智能发展史上大神级别的人物，必须熟练操作微积分、线性代数、概率论、数理统计的数学知识，但是TensorFlow、PyTorch人工智能框架已经将一些深奥的内容实现了，通过Python、c、c++等编程实现，不需要具体对每一步进行数学推导，我们只需知道每一步的数据是怎么流动的，数据的处理过程，具体怎么做的，直接拿过来就可以使用。图中右边是输出，将数据进行逻辑分类，分成两种颜色的点，例如：哪些是垃圾邮件，哪些是垃圾短信，哪些是垃圾电话。点左上角的运行按钮，结果在output中进行显示，图上方的曲线是种子曲线，种子越小，精确度越高。运行一段时间以后，曲线不变动了。

再次运行，可以看到开始的精确度（Testloss）大于50%，例如预测是否是垃圾邮件，一个是对的，一个是错的，这个太糟糕了，我们的要求是1万分钟最多只有1个出错，谷歌就做到了。点击运行以后，立即查看损失曲线，及数据流动的过程，原先的Test loss是50%，现在Testloss可能变成了0.6%，训练的时候Trainingloss可能是0.2%。这是一个非常不错的结果，意味着1千封的垃圾邮件识别中可能有几封是错的，大部分预测是正确的。

       运行的时候中间有一些隐藏的网络层，其中有个Activation特别重要，国内将其翻译为激活函数，人工智能为什么能够学习？是由于动力的驱动，人工智能深度学习领域称之为激活函数，激活函数是深度学习的精髓，怎么提供动力也是人工智能科学家几十年来研究的内容。这里的激活函数包括：ReLU、Tanh、Sigmoid、Linear，这是人工智能深度学习本身最大的难点，人工智能框架的核心就在这里。为什么从这一步学到下一步，从下一步又学到下一步，为什么能改进下一次的行动，就是由于激活函数的作用，激活函数也会配合损失函数，核心就是Activation激活函数导致的。

欢迎关注微信公众号：“从零起步学习人工智能”。

喜欢我们发布的信息，就在右下角点一下“在看”吧！欢迎转发分享！