因?yàn)槔蠋煹慕形覀冄芯可窠?jīng)網(wǎng)絡(luò)的緣由恢筝,這幾天在看這方面的資料哀卫。這一看可不得了,什么AI撬槽,ML此改,NN,DL侄柔,還有各種算法共啃,KNN等等占调,把我給看懵逼了。下午的時候自己又去了我的大B站移剪,學(xué)習(xí)了一下神經(jīng)網(wǎng)絡(luò)究珊,加上自己去問度娘,總算是有點(diǎn)點(diǎn)收獲纵苛。
AI(Artificial intelligence)
先放張圖以用來描述他們的關(guān)系
人工智能出現(xiàn)的比較早剿涮,早在上個世界五十年代,一群科學(xué)家們就提出了人工智能的構(gòu)想攻人,但是由于當(dāng)時計(jì)算機(jī)設(shè)備硬件原因的限制取试,人工智能的發(fā)展一直比較緩慢,聽得最多的就是在電影里面怀吻。但是在當(dāng)時科學(xué)家們所提出的人工智能是強(qiáng)人工智能(General AI)
這個無所不能的機(jī)器瞬浓,它有著我們所有的感知(甚至比人更多),我們所有的理性蓬坡,可以像我們一樣思考猿棉。
而我們現(xiàn)在能達(dá)到的水平是弱人工智能(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)屑咳。例如萨赁,Pinterest上的圖像分類;或者Facebook的人臉識別乔宿。
可以說GPU加速是人工智能發(fā)展的一大功臣位迂,GPU 加速計(jì)算是指同時利用圖形處理器 (GPU) 和 CPU访雪,加快科學(xué)详瑞、分析、工程臣缀、消費(fèi)和企業(yè)應(yīng)用程序的運(yùn)行速度坝橡。GPU的出現(xiàn)使得人工智能發(fā)展的更加迅速。
機(jī)器學(xué)習(xí)(Machine Learning)
在上圖中可以看到精置,機(jī)器學(xué)習(xí)是在人工智能之內(nèi)的计寇,機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種方式。
機(jī)器學(xué)習(xí)最基本的做法脂倦,是使用算法來解析數(shù)據(jù)番宁、從中學(xué)習(xí),然后對真實(shí)世界中的事件做出決策和預(yù)測赖阻。與傳統(tǒng)的為解決特定任務(wù)蝶押、硬編碼的軟件程序不同,機(jī)器學(xué)習(xí)是用大量的數(shù)據(jù)來“訓(xùn)練”火欧,通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)棋电。
而機(jī)器學(xué)習(xí)獲得突破性研究的當(dāng)屬計(jì)算機(jī)視覺茎截,我們能夠通過計(jì)算機(jī)來識別一張停車標(biāo)示的圖片
神經(jīng)網(wǎng)絡(luò)(Neural Network)
人們通過研究人腦神經(jīng)元的運(yùn)作方式,得出了神經(jīng)網(wǎng)絡(luò)算法赶盔,而深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)算法的企锌。
有這么幾個專有名詞。
訓(xùn)練集:正如字面意思于未,訓(xùn)練集就是用以訓(xùn)練的數(shù)據(jù)的集合撕攒,通常數(shù)據(jù)越多,其準(zhǔn)確度會提高沉眶。
測試集:當(dāng)訓(xùn)練完機(jī)器后打却,測試集是用來測試機(jī)器的準(zhǔn)確度的集合。
特征集:特征集是從一堆數(shù)據(jù)中統(tǒng)計(jì)出來的特征的集合谎倔。
目標(biāo)概念:目標(biāo)概念是我們測試機(jī)器后所得到的目標(biāo)的集合柳击。
神經(jīng)網(wǎng)絡(luò)中又有些術(shù)語
輸入層:可以看作是我們輸入的特征的集合
隱藏層:隱藏層是我們機(jī)器得到特征集后機(jī)器自己處理的那一層
輸出層:輸出層是我們得到的信息的集合
權(quán)重:對應(yīng)的每個輸入層到隱藏層,隱藏層到隱藏層片习,隱藏層到輸出層捌肴,都有一個權(quán)重。
偏置:對于每個隱藏層都有自己的偏置藕咏,偏置存在的作用是使得算出的目標(biāo)集更準(zhǔn)確
激勵函數(shù):對于每層到每層的處理状知,我們是這樣做的,加權(quán)求和減去偏置置孽查,得到的值在用激勵函數(shù)處理饥悴,最后我們才得到正確的值。
機(jī)器學(xué)習(xí)中較為簡單的算法是KNN(K nearest neighbor)
神經(jīng)網(wǎng)絡(luò)中較為簡單的算法是BP(Back Propagation)