作者：Radu Raicea編譯：ronghuaiyang

導讀

自從大家知道我是做人工智能的以後，親戚朋友經常會有人問我，什麼是AI，什麼是機器學習，什麼是深度學習。我也常常苦惱該如何向他們解釋，現在好了，這篇文章分享給大家，看完之後，希望無論你是什麼行業，做什麼工作，都能對這些概念有所瞭解。

人工智能(AI)和機器學習(ML)是目前最熱門的話題。

“人工智能”這個詞每天都被隨意使用。你會聽到有躊躇滿志的開發者說他們想學習人工智能，你還會聽到高管們說，他們希望在自己的服務中實現人工智能。但是很多時候，這些人並不理解AI是什麼。

不過一旦你讀了這篇文章，你就會理解AI和ML的基礎知識。更重要的是，你會理解深度學習，最流行的機器學習方法的工作原理。

本文面向所有人，因此不涉及高等數學。（放心了吧）

背景

理解深度學習如何工作的第一步是掌握幾個重要術語之間的差異。

人工智能 vs 機器學習

人工智能 是指通過計算機復現人類的智能.。

當人工智能研究剛開始的時候，研究人員試圖複製人類在特定任務上的智力，比如下棋。

他們引入了大量計算機需要遵守的規則，計算機有一個所有可能的操作的列表，根據這些規則做出不同的操作。

機器學習 指的是機器使用大量數據進行學習的能力，而不是使用硬編碼規則。

機器學習允許計算機自己學習，這種學習方式利用了現代計算機的處理能力，可以輕鬆地處理大型數據集。

監督學習 vs 非監督學習

監督學習 到使用有標籤的數據集進行學習，有標籤是指每個輸入有期望的輸出。

當你使用監督學習訓練AI時，你給它一個輸入並告訴它預期的輸出。

如果AI產生的輸出是錯誤的，它將重新調整它的計算。這個過程在數據集上迭代完成，直到AI不再出錯。

監督學習的一個例子是AI天氣預報。它學會利用歷史數據預測天氣，訓練數據有輸入(壓力、溼度、風速)和輸出(溫度)。

非監督學習 是使用沒有指定結構的數據集進行機器學習的任務。

當你使用無監督學習訓練AI時，你讓AI對數據自己進行邏輯分類。

無監督學習的一個例子是電子商務網站的行為預測AI。它不會通過使用帶有標籤的輸入和輸出數據集來學習。相反，它將創建自己對輸入數據的分類。它會告訴你哪種用戶最有可能購買哪些不同的產品。

現在，深度學習是如何工作的？

現在你已經準備好理解什麼是深度學習，以及它是如何工作的。

深度學習是一種機器學習方法。它允許我們通過給定一組輸入，訓練AI預測輸出。有監督學習和無監督學習都可以用來訓練AI。

我們將通過構建一個機票價格估算服務來了解深度學習是如何工作的。我們將使用監督學習的方法來訓練它。

我們希望我們的機票價格估算器使用以下輸入來預測價格(為了簡單起見，我們不包括返程機票)：

• 出發機場
• 目的地機場
• 出發日期
• 航空公司

神經網絡

讓我們看看AI的大腦內部。

和動物一樣，我們的價格估算器AI的大腦也有神經元，它們用圓圈表示，這些神經元是相互連接的。

神經元分為三種不同類型的層:

1. 輸入層
2. 隱藏層
3. 輸出層

輸入層接收輸入數據。在我們的示例中，輸入層中有四個神經元：出發機場、目的地機場、出發日期和航空公司。輸入層將輸入傳遞給第一個隱藏層。

隱藏層對我們的輸入執行數學計算。創建神經網絡的挑戰之一是決定隱含層的數量，以及每個層的神經元數量。

深度學習中的“深層”是指擁有超過一個的隱藏層。

輸出層返回輸出數據。在我們的例子中，它給出了機票的價格預測。

那麼它是如何計算對價格的預測的呢?

這就是深度學習的神奇之處。

神經元之間的每個連接都與一個權重相關聯。這個權重決定了輸入值的重要性。初始權值是隨機設置的。

在預測機票價格時，出發日期是一個比較重要的因素。因此，出發日期的神經元連接具有較大的權重。

每個神經元都有一個激活函數，沒有數學推理，這些函數是很難理解的。

簡單地說，它的目的之一就是“標準化”神經元的輸出。

一旦一組輸入數據通過神經網絡的所有層，它就通過輸出層返回輸出數據。

沒有什麼複雜的，對吧?

訓練神經網絡

訓練人工智能是深度學習中最難的部分，為什麼?

1. 你需要一個大數據集。
2. 你需要大量的計算能力。

對於我們的機票價格估算器，我們需要找到機票價格的歷史數據。由於有大量可能的機場和起飛日期的組合，我們需要一份非常大的機票價格清單。

為了訓練AI，我們需要給它數據集的輸入，並將它的輸出與數據集的輸出進行比較。因為AI還沒有經過訓練，所以它的輸出是錯誤的。

一旦我們遍歷了整個數據集，我們就可以創建一個函數來告訴我們AI的輸出與實際輸出有多大差別。這個函數稱為代價函數。

理想情況下，我們希望代價函數為零。這時AI的輸出與數據集的輸出相同。

我們怎樣才能降低代價函數？

我們改變神經元之間的權重。我們可以隨機改變它們直到我們的代價函數很低，但這不是很有效果。

我們將使用一種稱為梯度下降的技術。

梯度下降法是一種求函數最小值的方法。在我們的例子中，我們尋找的是代價函數的最小值。

它的工作方式是在每次數據集迭代之後以小增量更改權重。通過計算成本函數在某一權重上的導數(或梯度)，我們可以看到最小值在哪個方向。

為了最小化成本函數，需要多次迭代數據集。這就是為什麼需要大量計算能力的原因。

使用梯度下降法更新權重是自動完成的。這就是深度學習的神奇之處!

一旦我們訓練了機票價格估算器AI，我們就可以用它來預測未來的價格。

我在哪裡可以學到更多內容?

還有許多其他類型的神經網絡：卷積神經網絡用於計算機視覺，循環神經網絡用於自然語言處理。

如果你想學習深度學習的技術方面，我建議你參加一些在線課程。

目前，深度學習最好的課程之一是吳恩達的Deep Learning Specialization。如果你對獲得證書不感興趣的話，你不需要支付課程費用，可以免費學習這門課程。

總結

• 深度學習利用神經網絡模擬人類的智力。
• 神經網絡中有三種神經元層：輸入層、隱藏層和輸出層。
• 神經元之間的連接與權重有關，決定了輸入值的重要性。
• 神經元對數據應用一個激活函數來“標準化”神經元輸出的數據。
• 要訓練一個神經網絡，你需要一個大的數據集。
• 對數據集進行迭代並比較輸出，會產生一個代價函數，表示AI的預測輸出與實際輸出相差多少。
• 每次迭代數據集後，利用梯度下降法調整神經元之間的權重，降低成本函數。

原文鏈接：https://medium.freecodecamp.org/want-to-know-how-deep-learning-works-heres-a-quick-guide-for-everyone-1aedeca88076

更多文章，請關注微信公眾號：AI公園