虛竹在想念自己夢姑的時候，好歹還有夢境作為記憶碎片。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公主一般呢？直到筆者看到這兩張圖：

當然以上純屬玩笑，在QUORA上，一位畢業(yè)于印度理工學院人工智能與計算機科學專業(yè)、工作于Facebook的工程師Sriraman Madhavan。

寫了這么一個答案：

這是我寫的一個案列：根據(jù)名字來確定你是來自印度哪個地區(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：

下面這個代碼不是我寫的，這是個谷歌根據(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，就上面這個代碼也引發(fā)了啼笑皆非的笑話。

如果調(diào)教不好，AI可能有點愚蠢。

下面再看一個復(fù)雜的例子：（作者：Mikkel Duif）

我們必須記住，AI主要只是一堆數(shù)學邏輯（尤其是在討論機器學習和深度學習時）。編碼的作用只是讓計算機去執(zhí)行它，并從數(shù)據(jù)中得以學習。我認為要知道AI代碼長什么樣，并不是要了解背后代碼的外觀，和如何編寫代碼，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)建能夠識別MNIST數(shù)據(jù)庫中這些手寫數(shù)字的東西呢？

如下圖，只是一些Python代碼，背后有很多數(shù)學邏輯。[1]

是不是看完頭皮發(fā)麻？

我自己都覺得很難理解它。

這到底是個什么玩意兒？其實就是數(shù)學邏輯。

每個手寫數(shù)字由28*28像素組成，那么就共有784個像素。且每個像素都被用作神經(jīng)網(wǎng)絡(luò)的輸入，我們用它來訓練網(wǎng)絡(luò)。每個像素都被認作為一個輸入，并通過中間隱藏層，也就是下圖中的15個神經(jīng)元。經(jīng)過那里，我們將得到最有可能的數(shù)字估計。

即我們就會得出哪個數(shù)字的激活率最高。這種感覺就如同下圖：[2]

那么我們在執(zhí)行代碼時會發(fā)生什么？我們所建立的網(wǎng)絡(luò)類型稱為前饋神經(jīng)網(wǎng)絡(luò)，這意味著所有數(shù)據(jù)都在一個方向上。我們使用反向傳播算法來計算我們當前數(shù)據(jù)的誤差，通過更改設(shè)置并在此運行神經(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51%的數(shù)字進行分類，通過訓練最終正確率能達到81%。相當不錯的改進吧？隨機猜測數(shù)字會給你10%的準確率！精度還可以進一步提高，只需要更多的計算能力。此外，對代碼的更改還可以優(yōu)化學習速度。使用普通計算機，你可能就會獲得低于4%的錯誤率，而最佳結(jié)果是錯誤率低于1%。[3]

我們在這里做了什么？

這行代碼中，我們告訴網(wǎng)絡(luò)：

1，784個輸入神經(jīng)元；

2，30個隱藏層；

3，10個輸出神經(jīng)元。

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

（備注：關(guān)于隨機梯度下降法，各位看官請自行搜索。）