姓名：韓卓成?學(xué)號 ：20011210097

轉(zhuǎn)載自：https://mp.weixin.qq.com/s?__biz=MzI2OTQxMTM4OQ==&mid=2247485308&idx=1&sn=c7b3268055c5cae30ef7817db05c9f42&chksm=eae1f22edd967b383236d43f8db88f2eadf07f44ea110581474e8a63a809c3cfdebf4360115d#rd

【嵌牛導(dǎo)讀】：本文介紹了一些人工智能的基本概念和學(xué)習(xí)方法迫像，以及Tensorflow的概念讳嘱。

【嵌牛鼻子】：人工智能

【嵌牛提問】：1晰韵、人工智能中專有名詞有哪些？

2、什么是深度學(xué)習(xí)遏片？什么是機器學(xué)習(xí)？AI是個啥撮竿？

3吮便、TensorFlow是什么？它和人工智能有什么關(guān)系倚聚？

【嵌牛正文】：問題1：在國外找到一篇文章《28 Artificial Intelligence Terms You Need to Know》原文：

https://dzone.com/articles/ai-glossary

A

算法（Algorithms）：為人工智能线衫、神經(jīng)網(wǎng)絡(luò)或其他機器提供的一套規(guī)則或指令，以幫助自己學(xué)習(xí)惑折；分類授账、聚類枯跑、推薦和回歸是最流行的四種算法類型。

人工智能（Artificial intelligence）：簡寫AI白热，機器做出決策和執(zhí)行模擬人類智能和行為的能力敛助。

人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network ）：簡寫ANN，一個學(xué)習(xí)模型屋确，它的作用就像人腦纳击，解決了傳統(tǒng)計算機系統(tǒng)很難解決的問題。

自主計算（Autonomic computing）：一種系統(tǒng)的自主適應(yīng)自我管理的能力攻臀，用于在沒有用戶輸入的情況下為高級計算函數(shù)提供自身的資源焕数。

C

聊天機器人（Chatbots）：簡稱chatbot，它設(shè)計的目的是通過文字聊天刨啸、語音指令或兩者同時進(jìn)行交流來模擬與人類用戶的對話堡赔。它們是包括人工智能在內(nèi)的計算機程序的常用接口。

分類（Classification）：分類算法讓機器根據(jù)訓(xùn)練數(shù)據(jù)給數(shù)據(jù)點分配類別设联。

群集分析（Cluster analysis）：一種無監(jiān)督的學(xué)習(xí)方法善已，用于探索數(shù)據(jù)分析，以發(fā)現(xiàn)隱藏的模式或數(shù)據(jù)分組离例；集群的建模方法是類似于歐幾里得或概率距離的度量换团。

聚類（Clustering）：聚類算法讓機器組的數(shù)據(jù)點或項目分成具有相似特征的組。

認(rèn)知計算（Cognitive computing）：一個模擬人腦思維方式的計算機模型宫蛆。它涉及使用數(shù)據(jù)挖掘艘包、自然語言處理和模式識別的方法進(jìn)行自學(xué)。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network）：簡寫CNN洒扎，一種識別和理解圖像的神經(jīng)網(wǎng)絡(luò)辑甜。

D

數(shù)據(jù)挖掘（Data mining）：對數(shù)據(jù)集檢查衰絮，以發(fā)現(xiàn)和挖掘可以進(jìn)一步使用的數(shù)據(jù)模式袍冷。

數(shù)據(jù)科學(xué)（Data science）：由統(tǒng)計學(xué)、信息科學(xué)和計算機科學(xué)等結(jié)合科學(xué)的方法猫牡、系統(tǒng)和過程的跨學(xué)科領(lǐng)域胡诗，通過結(jié)構(gòu)化或非結(jié)構(gòu)化的數(shù)據(jù)來提供對現(xiàn)象的分析。

決策樹（Decision tree）：用于映射決策及其可能結(jié)果的樹和分支模型淌友，類似于流程圖煌恢。

深度學(xué)習(xí)（Deep learning）：通過由串聯(lián)的信息層組成人工神經(jīng)網(wǎng)絡(luò)，機器能夠自主地模擬人類思維模式震庭。

F

變數(shù)（Fluent）：一種隨時間變化的狀況瑰抵。

G

游戲AI（Game AI）：使用一種算法來代替隨機性的特定游戲人工智能。它是一種用于非玩家角色的計算行為器联，以產(chǎn)生玩家所采取的類似于人類的智力和反應(yīng)二汛。

遺傳算法（Genetic algorithm）：一種基于遺傳和自然選擇原理的進(jìn)化算法婿崭，用于尋找最優(yōu)或接近最優(yōu)的解決方案，否則將需要幾十年的時間才能解決肴颊。

H

啟發(fā)式搜索技術(shù)（Heuristic search techniques）：支持通過消除不正確的選項來縮小尋找問題的最佳解決方案的支持氓栈。

K

知識工程（Knowledge engineering）：重點是建立知識體系，包括所有的科學(xué)婿着、技術(shù)和社會學(xué)方面授瘦。

L

邏輯編程（Logic programming）：一種基于事實和規(guī)則的知識存儲庫進(jìn)行計算的編程范式；LISP和Prolog是用于人工智能編程的兩種邏輯編程語言竟宋。

M

機器智能（Machine intelligence）：一個涵蓋機器學(xué)習(xí)提完、深度學(xué)習(xí)和經(jīng)典學(xué)習(xí)算法的統(tǒng)稱。

機器學(xué)習(xí)（Machine learning）：一個專注于算法的人工智能丘侠，當(dāng)接觸到新數(shù)據(jù)允許機器在不被編程和改變情況下學(xué)習(xí)氯葬。

機器知覺（Machine perception）：系統(tǒng)接收和解釋外部世界數(shù)據(jù)的能力，類似于人類使用感官的能力婉陷。這通常是由附加的硬件完成的帚称，雖然軟件也可用。

N

自然語言處理（Natural language processing）：程序在理解的基礎(chǔ)上識別人類交流的能力秽澳。

R

遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent neural network）：簡寫RNN闯睹，神經(jīng)網(wǎng)絡(luò)的一種，它能夠理解順序信息和識別模式担神，并根據(jù)這些計算創(chuàng)建輸出楼吃。

S

有監(jiān)督學(xué)習(xí)（Supervised learning）：機器學(xué)習(xí)類型的一種，輸出數(shù)據(jù)集訓(xùn)練機器生成所需的算法妄讯，像一個教師監(jiān)督學(xué)生孩锡，比無監(jiān)督學(xué)習(xí)更常見。

群體行為（Swarm behavior）：從數(shù)學(xué)建模者的角度來看亥贸，它是由個人遵循的簡單規(guī)則引起的緊急行為躬窜，不涉及任何中央?yún)f(xié)調(diào)。

U

無監(jiān)督學(xué)習(xí)（Unsupervised learning）：一種機器學(xué)習(xí)算法炕置，用于從不帶標(biāo)記響應(yīng)的包含輸入數(shù)據(jù)的數(shù)據(jù)集中提取結(jié)果荣挨。最常見的無監(jiān)督學(xué)習(xí)方法是聚類分析。

問題2朴摊，在找到一篇國外文章《https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/》默垄，翻譯成中文就是《AI、機器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別是什么甚纲？》

今天我們就用最簡單的方法——同心圓口锭，可視化地展現(xiàn)出它們?nèi)叩年P(guān)系和應(yīng)用。

如上圖介杆，人工智能是最早出現(xiàn)的鹃操，也是最大况既、最外側(cè)的同心圓；其次是機器學(xué)習(xí)组民，稍晚一點棒仍；最內(nèi)側(cè)，是深度學(xué)習(xí)臭胜，當(dāng)今人工智能大爆炸的核心驅(qū)動莫其。

五十年代，人工智能曾一度被極為看好耸三。之后乱陡，人工智能的一些較小的子集發(fā)展了起來。先是機器學(xué)習(xí)仪壮，然后是深度學(xué)習(xí)憨颠。深度學(xué)習(xí)又是機器學(xué)習(xí)的子集。深度學(xué)習(xí)造成了前所未有的巨大的影響积锅。

|從概念的提出到走向繁榮

1956年爽彤，幾個計算機科學(xué)家相聚在達(dá)特茅斯會議（Dartmouth Conferences），提出了“人工智能”的概念缚陷。其后适篙，人工智能就一直縈繞于人們的腦海之中，并在科研實驗室中慢慢孵化箫爷。之后的幾十年嚷节，人工智能一直在兩極反轉(zhuǎn)，或被稱作人類文明耀眼未來的預(yù)言虎锚；或者被當(dāng)成技術(shù)瘋子的狂想扔到垃圾堆里硫痰。坦白說，直到2012年之前窜护，這兩種聲音還在同時存在效斑。

過去幾年，尤其是2015年以來柄慰，人工智能開始大爆發(fā)鳍悠。很大一部分是由于GPU的廣泛應(yīng)用税娜，使得并行計算變得更快坐搔、更便宜、更有效敬矩。當(dāng)然概行，無限拓展的存儲能力和驟然爆發(fā)的數(shù)據(jù)洪流（大數(shù)據(jù)）的組合拳，也使得圖像數(shù)據(jù)弧岳、文本數(shù)據(jù)凳忙、交易數(shù)據(jù)业踏、映射數(shù)據(jù)全面海量爆發(fā)。

讓我們慢慢梳理一下計算機科學(xué)家們是如何將人工智能從最早的一點點苗頭涧卵，發(fā)展到能夠支撐那些每天被數(shù)億用戶使用的應(yīng)用的勤家。

|人工智能（Artificial Intelligence）——為機器賦予人的智能

早在1956年夏天那次會議，人工智能的先驅(qū)們就夢想著用當(dāng)時剛剛出現(xiàn)的計算機來構(gòu)造復(fù)雜的柳恐、擁有與人類智慧同樣本質(zhì)特性的機器伐脖。這就是我們現(xiàn)在所說的“強人工智能”（General AI）。這個無所不能的機器乐设，它有著我們所有的感知（甚至比人更多）讼庇，我們所有的理性，可以像我們一樣思考近尚。

人們在電影里也總是看到這樣的機器：友好的蠕啄，像星球大戰(zhàn)中的C-3PO；邪惡的戈锻，如終結(jié)者歼跟。強人工智能現(xiàn)在還只存在于電影和科幻小說中，原因不難理解格遭，我們還沒法實現(xiàn)它們嘹承，至少目前還不行。

我們目前能實現(xiàn)的如庭，一般被稱為“弱人工智能”（Narrow AI）叹卷。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)坪它。例如骤竹，Pinterest上的圖像分類；或者Facebook的人臉識別往毡。

這些是弱人工智能在實踐中的例子蒙揣。這些技術(shù)實現(xiàn)的是人類智能的一些具體的局部。但它們是如何實現(xiàn)的开瞭？這種智能是從何而來懒震？這就帶我們來到同心圓的里面一層，機器學(xué)習(xí)嗤详。

|機器學(xué)習(xí)—— 一種實現(xiàn)人工智能的方法

機器學(xué)習(xí)最基本的做法个扰，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)葱色，然后對真實世界中的事件做出決策和預(yù)測递宅。與傳統(tǒng)的為解決特定任務(wù)、硬編碼的軟件程序不同，機器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”办龄，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)烘绽。

機器學(xué)習(xí)直接來源于早期的人工智能領(lǐng)域。傳統(tǒng)算法包括決策樹學(xué)習(xí)俐填、推導(dǎo)邏輯規(guī)劃安接、聚類、強化學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等等英融。眾所周知赫段，我們還沒有實現(xiàn)強人工智能。早期機器學(xué)習(xí)方法甚至都無法實現(xiàn)弱人工智能矢赁。

機器學(xué)習(xí)最成功的應(yīng)用領(lǐng)域是計算機視覺糯笙，雖然也還是需要大量的手工編碼來完成工作。人們需要手工編寫分類器撩银、邊緣檢測濾波器给涕，以便讓程序能識別物體從哪里開始，到哪里結(jié)束额获；寫形狀檢測程序來判斷檢測對象是不是有八條邊够庙；寫分類器來識別字母“ST-O-P”。使用以上這些手工編寫的分類器抄邀，人們總算可以開發(fā)算法來感知圖像耘眨，判斷圖像是不是一個停止標(biāo)志牌。

這個結(jié)果還算不錯境肾，但并不是那種能讓人為之一振的成功剔难。特別是遇到云霧天，標(biāo)志牌變得不是那么清晰可見奥喻，又或者被樹遮擋一部分偶宫，算法就難以成功了。這就是為什么前一段時間环鲤，計算機視覺的性能一直無法接近到人的能力纯趋。它太僵化，太容易受環(huán)境條件的干擾冷离。

隨著時間的推進(jìn)吵冒，學(xué)習(xí)算法的發(fā)展改變了一切。

|深度學(xué)習(xí)——一種實現(xiàn)機器學(xué)習(xí)的技術(shù)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）是早期機器學(xué)習(xí)中的一個重要的算法西剥，歷經(jīng)數(shù)十年風(fēng)風(fēng)雨雨痹栖。神經(jīng)網(wǎng)絡(luò)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同蔫耽，人工神經(jīng)網(wǎng)絡(luò)具有離散的層结耀、連接和數(shù)據(jù)傳播的方向留夜。

例如匙铡，我們可以把一幅圖像切分成圖像塊图甜，輸入到神經(jīng)網(wǎng)絡(luò)的第一層。在第一層的每一個神經(jīng)元都把數(shù)據(jù)傳遞到第二層鳖眼。第二層的神經(jīng)元也是完成類似的工作黑毅，把數(shù)據(jù)傳遞到第三層，以此類推钦讳，直到最后一層矿瘦，然后生成結(jié)果。

每一個神經(jīng)元都為它的輸入分配權(quán)重愿卒，這個權(quán)重的正確與否與其執(zhí)行的任務(wù)直接相關(guān)缚去。最終的輸出由這些權(quán)重加總來決定。

我們?nèi)砸酝Ｖ梗⊿top）標(biāo)志牌為例琼开。將一個停止標(biāo)志牌圖像的所有元素都打碎易结，然后用神經(jīng)元進(jìn)行“檢查”：八邊形的外形、救火車般的紅顏色柜候、鮮明突出的字母搞动、交通標(biāo)志的典型尺寸和靜止不動運動特性等等。神經(jīng)網(wǎng)絡(luò)的任務(wù)就是給出結(jié)論渣刷，它到底是不是一個停止標(biāo)志牌鹦肿。神經(jīng)網(wǎng)絡(luò)會根據(jù)所有權(quán)重，給出一個經(jīng)過深思熟慮的猜測——“概率向量”辅柴。

這個例子里箩溃，系統(tǒng)可能會給出這樣的結(jié)果：86%可能是一個停止標(biāo)志牌；7%的可能是一個限速標(biāo)志牌碌嘀；5%的可能是一個風(fēng)箏掛在樹上等等碾篡。然后網(wǎng)絡(luò)結(jié)構(gòu)告知神經(jīng)網(wǎng)絡(luò)，它的結(jié)論是否正確筏餐。

即使是這個例子开泽，也算是比較超前了。直到前不久魁瞪，神經(jīng)網(wǎng)絡(luò)也還是為人工智能圈所淡忘穆律。其實在人工智能出現(xiàn)的早期，神經(jīng)網(wǎng)絡(luò)就已經(jīng)存在了导俘，但神經(jīng)網(wǎng)絡(luò)對于“智能”的貢獻(xiàn)微乎其微峦耘。主要問題是，即使是最基本的神經(jīng)網(wǎng)絡(luò)旅薄，也需要大量的運算辅髓。神經(jīng)網(wǎng)絡(luò)算法的運算需求難以得到滿足泣崩。

不過，還是有一些虔誠的研究團(tuán)隊洛口，以多倫多大學(xué)的Geoffrey Hinton為代表矫付，堅持研究，實現(xiàn)了以超算為目標(biāo)的并行算法的運行與概念證明第焰。但也直到GPU得到廣泛應(yīng)用买优，這些努力才見到成效。

我們回過頭來看這個停止標(biāo)志識別的例子挺举。神經(jīng)網(wǎng)絡(luò)是調(diào)制杀赢、訓(xùn)練出來的，時不時還是很容易出錯的湘纵。它最需要的脂崔，就是訓(xùn)練。需要成百上千甚至幾百萬張圖像來訓(xùn)練梧喷，直到神經(jīng)元的輸入的權(quán)值都被調(diào)制得十分精確砌左，無論是否有霧，晴天還是雨天伤柄，每次都能得到正確的結(jié)果绊困。

只有這個時候，我們才可以說神經(jīng)網(wǎng)絡(luò)成功地自學(xué)習(xí)到一個停止標(biāo)志的樣子适刀；或者在Facebook的應(yīng)用里秤朗，神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)了你媽媽的臉；又或者是2012年吳恩達(dá)（Andrew Ng）教授在Google實現(xiàn)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到貓的樣子等等笔喉。

吳教授的突破在于取视，把這些神經(jīng)網(wǎng)絡(luò)從基礎(chǔ)上顯著地增大了。層數(shù)非常多常挚，神經(jīng)元也非常多作谭，然后給系統(tǒng)輸入海量的數(shù)據(jù)，來訓(xùn)練網(wǎng)絡(luò)奄毡。在吳教授這里折欠，數(shù)據(jù)是一千萬YouTube視頻中的圖像。吳教授為深度學(xué)習(xí)（deep learning）加入了“深度”（deep）吼过。這里的“深度”就是說神經(jīng)網(wǎng)絡(luò)中眾多的層锐秦。

現(xiàn)在，經(jīng)過深度學(xué)習(xí)訓(xùn)練的圖像識別盗忱，在一些場景中甚至可以比人做得更好：從識別貓酱床，到辨別血液中癌癥的早期成分，到識別核磁共振成像中的腫瘤趟佃。Google的AlphaGo先是學(xué)會了如何下圍棋扇谣，然后與它自己下棋訓(xùn)練昧捷。它訓(xùn)練自己神經(jīng)網(wǎng)絡(luò)的方法，就是不斷地與自己下棋罐寨，反復(fù)地下靡挥，永不停歇。

|深度學(xué)習(xí)衩茸，給人工智能以璀璨的未來

深度學(xué)習(xí)使得機器學(xué)習(xí)能夠?qū)崿F(xiàn)眾多的應(yīng)用芹血，并拓展了人工智能的領(lǐng)域范圍贮泞。深度學(xué)習(xí)摧枯拉朽般地實現(xiàn)了各種任務(wù)楞慈，使得似乎所有的機器輔助功能都變?yōu)榭赡堋o人駕駛汽車啃擦，預(yù)防性醫(yī)療保健囊蓝，甚至是更好的電影推薦，都近在眼前令蛉，或者即將實現(xiàn)

問題3：TensorFlow是什么聚霜？它和人工智能有什么關(guān)系？

TensorFlow是谷歌基于DistBelief進(jìn)行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)珠叔，其命名來源于本身的運行原理蝎宇。Tensor（張量）意味著N維數(shù)組，F(xiàn)low（流）意味著基于數(shù)據(jù)流圖的計算祷安，TensorFlow為張量從流圖的一端流動到另一端計算過程姥芥。TensorFlow是將復(fù)雜的數(shù)據(jù)結(jié)構(gòu)傳輸至人工智能神經(jīng)網(wǎng)中進(jìn)行分析和處理過程的系統(tǒng)。TensorFlow? 是一個采用數(shù)據(jù)流圖（data flow graphs）汇鞭，用于數(shù)值計算的開源軟件庫凉唐。節(jié)點（Nodes）在圖中表示數(shù)學(xué)操作，圖中的線（edges）則表示在節(jié)點間相互聯(lián)系的多維數(shù)據(jù)數(shù)組霍骄，即張量（tensor）台囱。它靈活的架構(gòu)讓你可以在多種平臺上展開計算，例如臺式計算機中的一個或多個CPU（或GPU）读整，服務(wù)器簿训，移動設(shè)備等等。TensorFlow 最初由Google大腦小組（隸屬于Google機器智能研究機構(gòu)）的研究員和工程師們開發(fā)出來米间，用于機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方面的研究强品，但這個系統(tǒng)的通用性使其也可廣泛用于其他計算領(lǐng)域。

支持的算法：

從目前的文檔看车伞，TensorFlow支持CNN择懂、RNN和LSTM算法，這都是目前在Image另玖，Speech和NLP最流行的深度神經(jīng)網(wǎng)絡(luò)模型困曙。