人工智能深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)及其關(guān)系

學(xué)習(xí) tensorflow，caffe 等深度學(xué)習(xí)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(gè)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(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系

人工智能（ArTIficial Intelligence）——為機(jī)器賦予人的智能

"強(qiáng)人工智能"（General AI）：無(wú)所不能的機(jī)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(wù)的技術(shù)。例如，Pinterest 上的圖像分類；或者 Facebook 的人臉識(shí)別。

強(qiáng)人工智能是愿景，弱人工智能是目前能實(shí)現(xiàn)的。

機(jī)器學(xué)習(xí)—— 一種實(shí)現(xiàn)人工智能的方法

機(jī)器學(xué)習(xí)最基本的做法，是使用算法來(lái)解析數(shù)據(jù)、從中學(xué)習(xí)，然后對(duì)真實(shí)世界中的事件做出決策和預(yù)測(cè)。

深度學(xué)習(xí)——一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)

機(jī)器學(xué)習(xí)可以通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)?？梢詫⑸疃葘W(xué)習(xí)簡(jiǎn)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(jī)器學(xué)習(xí)方法。目前深度架構(gòu)大部分時(shí)候就是指深度神經(jīng)網(wǎng)絡(luò)。

一個(gè)神經(jīng)網(wǎng)絡(luò)由許多神經(jīng)元組成，每個(gè)圓圈是一個(gè)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(fù)責(zé)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(jiǎn)單的神經(jīng)網(wǎng)絡(luò)可能是 2-3 層，復(fù)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(dá)能力更強(qiáng)，能夠處理更多的數(shù)據(jù)。但是深度網(wǎng)絡(luò)的訓(xùn)練更加復(fù)雜。需要大量的數(shù)據(jù)，很多的技巧才能訓(xùn)練好一個(gè)深層網(wǎng)絡(luò)。

問(wèn)題：假設(shè)計(jì)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(duì)架構(gòu)和算法的要求就越高。在超過(guò)架構(gòu)和算法的瓶頸后，再增加深度也是徒勞。

神經(jīng)網(wǎng)絡(luò)由一個(gè)個(gè)的神經(jīng)元構(gòu)成，而一個(gè)神經(jīng)元也由三部分組成。

輸入權(quán)值 每個(gè)輸入會(huì)對(duì)應(yīng)一個(gè)權(quán)值 w，同時(shí)還會(huì)有一個(gè)偏置值 b。也就是圖中的 w0。訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程，其實(shí)就是確定權(quán)值 w 的過(guò)程。

激活函數(shù) 經(jīng)過(guò)權(quán)值運(yùn)算之后還會(huì)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(lái)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(gè)公式來(lái)表示

神經(jīng)元可以擬合任意的線性函數(shù)，如最簡(jiǎn)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?yàn)證此時(shí)神經(jīng)元能表示 and 函數(shù)。

如輸入第一行，x1 = 0，x2 = 0 時(shí)，可以得到

y 為 0，這就是真值表的第一行。

在數(shù)學(xué)意義上，可以這樣理解 and 函數(shù)的神經(jīng)元。它表示了一個(gè)線性分類問(wèn)題，它就像是一條直線把分類 0（false，紅叉）和分類 1（true，綠點(diǎn)）分開(kāi)

而實(shí)際上，神經(jīng)元在數(shù)學(xué)上可以理解為一個(gè)數(shù)據(jù)分割問(wèn)題。神經(jīng)元是將神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成數(shù)學(xué)問(wèn)題的關(guān)鍵。比如需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)做一個(gè)分類器，那么在數(shù)學(xué)上可以將輸入的參數(shù)（x1，x2...，xn）理解為 m 維坐標(biāo)系（設(shè) x 是 m 元向量）上的 n 個(gè)點(diǎn)，而每個(gè)神經(jīng)元?jiǎng)t可以理解為一個(gè)個(gè)擬合函數(shù)。取 m 為 2，放在最簡(jiǎn)單的二維坐標(biāo)系里面進(jìn)行理解。