虛竹在想念自己夢(mèng)姑的時(shí)候，好歹還有夢(mèng)境作為記憶碎片。而那些讓人許多AI公司爆火的、融資拿到手軟的AI代碼是不是也如某國(guó)公主一般呢？直到筆者看到這兩張圖：

當(dāng)然以上純屬玩笑，在QUORA上，一位畢業(yè)于印度理工學(xué)院人工智能與計(jì)算機(jī)科學(xué)專(zhuān)業(yè)、工作于Facebook的工程師Sriraman Madhavan。

寫(xiě)了這么一個(gè)答案：

這是我寫(xiě)的一個(gè)案列：根據(jù)名字來(lái)確定你是來(lái)自印度哪個(gè)地區(qū)的。根據(jù)你名字的不同狀態(tài)，可以判定你的家庭人員情況，以下是代碼片段：

下面這個(gè)代碼不是我寫(xiě)的，這是個(gè)谷歌根據(jù)圖片生成描述文字的創(chuàng)新。下面是根據(jù)圖片生成描述的案例：

但等等！別高興得太早，就上面這個(gè)代碼也引發(fā)了啼笑皆非的笑話(huà)。

如果調(diào)教不好，AI可能有點(diǎn)愚蠢。

下面再看一個(gè)復(fù)雜的例子：（作者：Mikkel Duif）

我們必須記住，AI主要只是一堆數(shù)學(xué)邏輯（尤其是在討論機(jī)器學(xué)習(xí)和深度學(xué)習(xí)時(shí)）。編碼的作用只是讓計(jì)算機(jī)去執(zhí)行它，并從數(shù)據(jù)中得以學(xué)習(xí)。我認(rèn)為要知道AI代碼長(zhǎng)什么樣，并不是要了解背后代碼的外觀，和如何編寫(xiě)代碼，而是要更多理解代碼中到底發(fā)生了什么。

比如，我們?nèi)绾蝿?chuàng)建能夠識(shí)別MNIST數(shù)據(jù)庫(kù)中這些手寫(xiě)數(shù)字的東西呢？

如下圖，只是一些Python代碼，背后有很多數(shù)學(xué)邏輯。[1]

是不是看完頭皮發(fā)麻？

我自己都覺(jué)得很難理解它。

這到底是個(gè)什么玩意兒？其實(shí)就是數(shù)學(xué)邏輯。

每個(gè)手寫(xiě)數(shù)字由28*28像素組成，那么就共有784個(gè)像素。且每個(gè)像素都被用作神經(jīng)網(wǎng)絡(luò)的輸入，我們用它來(lái)訓(xùn)練網(wǎng)絡(luò)。每個(gè)像素都被認(rèn)作為一個(gè)輸入，并通過(guò)中間隱藏層，也就是下圖中的15個(gè)神經(jīng)元。經(jīng)過(guò)那里，我們將得到最有可能的數(shù)字估計(jì)。

即我們就會(huì)得出哪個(gè)數(shù)字的激活率最高。這種感覺(jué)就如同下圖：[2]

那么我們?cè)趫?zhí)行代碼時(shí)會(huì)發(fā)生什么？我們所建立的網(wǎng)絡(luò)類(lèi)型稱(chēng)為前饋神經(jīng)網(wǎng)絡(luò)，這意味著所有數(shù)據(jù)都在一個(gè)方向上。我們使用反向傳播算法來(lái)計(jì)算我們當(dāng)前數(shù)據(jù)的誤差，通過(guò)更改設(shè)置并在此運(yùn)行神經(jīng)網(wǎng)絡(luò)。

我們得出這樣的輸出：

從中可以看出，在第一輪中，我們神經(jīng)網(wǎng)絡(luò)能夠正確地對(duì)51%的數(shù)字進(jìn)行分類(lèi)，通過(guò)訓(xùn)練最終正確率能達(dá)到81%。相當(dāng)不錯(cuò)的改進(jìn)吧？隨機(jī)猜測(cè)數(shù)字會(huì)給你10%的準(zhǔn)確率！精度還可以進(jìn)一步提高，只需要更多的計(jì)算能力。此外，對(duì)代碼的更改還可以?xún)?yōu)化學(xué)習(xí)速度。使用普通計(jì)算機(jī)，你可能就會(huì)獲得低于4%的錯(cuò)誤率，而最佳結(jié)果是錯(cuò)誤率低于1%。[3]

我們?cè)谶@里做了什么？

這行代碼中，我們告訴網(wǎng)絡(luò)：

1，784個(gè)輸入神經(jīng)元；

2，30個(gè)隱藏層；

3，10個(gè)輸出神經(jīng)元。

其次，我們使用一種隨機(jī)梯度下降的方法來(lái)訓(xùn)練我們的網(wǎng)絡(luò)，并“降低我們的成本”。

（備注：關(guān)于隨機(jī)梯度下降法，各位看官請(qǐng)自行搜索。）