人工智能深度學習和機器學習的基礎(chǔ)知識及其關(guān)系
學習 tensorflow，caffe 等深度學習框架前，需要先了解一些基礎(chǔ)概念。本文以筆記的形式記錄了一個零基礎(chǔ)的小白需要先了解的一些基礎(chǔ)概念。
人工智能，機器學習和深度學習的關(guān)系
人工智能（ArTIficial Intelligence）——為機器賦予人的智能
"強人工智能"（General AI）：無所不能的機器，它有著我們所有的感知（甚至比人更多），我們所有的理性，可以像我們一樣思考
"弱人工智能"（Narrow AI）：弱人工智能是能夠與人一樣，甚至比人更好地執(zhí)行特定任務的技術(shù)。例如，Pinterest 上的圖像分類；或者 Facebook 的人臉識別。
強人工智能是愿景，弱人工智能是目前能實現(xiàn)的。
機器學習—— 一種實現(xiàn)人工智能的方法
機器學習最基本的做法，是使用算法來解析數(shù)據(jù)、從中學習，然后對真實世界中的事件做出決策和預測。
深度學習——一種實現(xiàn)機器學習的技術(shù)
機器學習可以通過神經(jīng)網(wǎng)絡(luò)來實現(xiàn)?？梢詫⑸疃葘W習簡單理解為，就是使用深度架構(gòu)（比如深度神經(jīng)網(wǎng)絡(luò)）的機器學習方法。目前深度架構(gòu)大部分時候就是指深度神經(jīng)網(wǎng)絡(luò)。
神經(jīng)網(wǎng)絡(luò)組成
一個神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元組成，每個圓圈是一個神經(jīng)元，每條線表示神經(jīng)元之間的連接。x 表示的輸入數(shù)據(jù)，y 表示的是輸出數(shù)據(jù)，w 表示每層連接的權(quán)重。w 也就是我們構(gòu)造完神經(jīng)網(wǎng)絡(luò)之后需要確定的。
最左邊的叫做輸入層，這層負責接受輸入數(shù)據(jù)。
最右邊的叫做輸出層，我們可以從這層獲取神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)
輸入層和輸出層之間叫做隱藏層。隱藏層層數(shù)不定，簡單的神經(jīng)網(wǎng)絡(luò)可能是 2-3 層，復雜的也可能成百上千層，隱藏層較多的就叫做深度神經(jīng)網(wǎng)絡(luò)。
深層網(wǎng)絡(luò)比淺層網(wǎng)絡(luò)的表達能力更強，能夠處理更多的數(shù)據(jù)。但是深度網(wǎng)絡(luò)的訓練更加復雜。需要大量的數(shù)據(jù)，很多的技巧才能訓練好一個深層網(wǎng)絡(luò)。
問題：假設(shè)計算速度足夠快，是不是深度網(wǎng)絡(luò)越深越好？
不是。深度網(wǎng)絡(luò)越深，對架構(gòu)和算法的要求就越高。在超過架構(gòu)和算法的瓶頸后，再增加深度也是徒勞。
神經(jīng)元（感知器）神經(jīng)網(wǎng)絡(luò)由一個個的神經(jīng)元構(gòu)成，而一個神經(jīng)元也由三部分組成。
輸入權(quán)值 每個輸入會對應一個權(quán)值 w，同時還會有一個偏置值 b。也就是圖中的 w0。訓練神經(jīng)網(wǎng)絡(luò)的過程，其實就是確定權(quán)值 w 的過程。
激活函數(shù) 經(jīng)過權(quán)值運算之后還會經(jīng)歷激活函數(shù)再輸出。比如我們可以用階躍函數(shù) f 來表示激活函數(shù)。
輸出 最終的輸出，感知器的輸出可以用這個公式來表示
神經(jīng)元可以擬合任意的線性函數(shù)，如最簡單擬合 and 函數(shù)。
and 函數(shù)真值表如上圖所示。取 w1 = 0.5；w2 = 0.5 b = -0.8。激活函數(shù)取上面示例的階躍函數(shù) f 表示?？梢则炞C此時神經(jīng)元能表示 and 函數(shù)。
如輸入第一行，x1 = 0，x2 = 0 時，可以得到
y 為 0，這就是真值表的第一行。
在數(shù)學意義上，可以這樣理解 and 函數(shù)的神經(jīng)元。它表示了一個線性分類問題，它就像是一條直線把分類 0（false，紅叉）和分類 1（true，綠點）分開
而實際上，神經(jīng)元在數(shù)學上可以理解為一個數(shù)據(jù)分割問題。神經(jīng)元是將神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成數(shù)學問題的關(guān)鍵。比如需要訓練神經(jīng)網(wǎng)絡(luò)做一個分類器，那么在數(shù)學上可以將輸入的參數(shù)（x1，x2...，xn）理解為 m 維坐標系（設(shè) x 是 m 元向量）上的 n 個點，而每個神經(jīng)元則可以理解為一個個擬合函數(shù)。取 m 為 2，放在最簡單的二維坐標系里面進行理解。
下載文檔
