AI入门之深度学习：基本概念篇

图1：计算机有效工作的常用方法：程序员编写规则（程序），计算机遵循这些规则将输入数据转换为适当的答案。这一方法被称为符号主义人工智能，适合用来解决定义明确的逻辑问题。比如早期的PC小游戏：五子棋等，但是像图像分类、语音识别或自然语言翻译等更复杂、更模糊的任务，难以给出明确的规则。

图2：机器学习把这个过程反了过来：机器读取输入数据和相应的答案，然后找出应有的规则。机器学习系统是训练出来的，而不是明确的用程序编写出来。举个例子，如果你想为度假照片添加标签。并希望将这项任务自动化，那么你可以将许多人工打好标签的照片输人机器学习系统，系统将学会把特定照片与特定标签联系在一起的统计规则。

定义：机器学习就是在预定义的可能性空间中，利用反馈信号的指引，在输入数据中寻找有用的表示和规则。

深度学习是机器学习的一个分支领域，强调从一系列连续的表示层中学习。现代的深度学习模型通常包含数十个甚至上百个连续的表示层，它们都是从训练数据中自动学习而来。与之对应，机器学习有时也被称为浅层学习。

在深度学习中，这些分层表示是通过叫作神经网络的模型学习得到的。深度神经网络可以看作多级信息蒸馏过程：信息穿过连续的过滤器，其纯度越来越高。

技术定义：一种多层的学习数据表示的方法。

a. 对神经网络的权重（有时也被称为该层的参数）进行随机赋值

b. 经过一系列随机变换，得到预测值Y'

c. 通过损失函数（有时也被称为目标函数或代价函数），得到预测值Y'与真实值Y之间的损失值

d. 将损失值作为反馈信号，通过优化器来对权重值进行微调，以降低当前示例对应的损失值

e. 循环重复足够做的次数（b-d），得到具有最小损失值的神经网络，就是一个训练好的神经网络

目前所有机器学习系统都使用张量（tensor）作为基本数据结构，张量对这个领域非常重要，TensorFlow就是以它来命名。

张量这一概念的核心在于，它是一个数据容器。它包含的数据通常是数值数据，因此它是一个数字容器。你可能对矩阵很熟悉，它是2阶张量。张量是矩阵向任意维度的推广，张量的维度通常叫做轴。

张量是由以下3个关键属性来定义的。

•轴：轴的个数

•形状：表示张量沿每个轴的维度大小（元素个数）

•数据类型（dtype）：数据的类型，可以是float16、float32、float64、unit8、string等

仅包含一个数字的张量叫做标量（SCALAR），也叫0阶张量或0维张量。

下面是一个NumPy标量

测试精度约为97.8%，比训练精度98.9%低不少。训练精度和测试精度之间的这种差距是过拟合造成的。

图书：Python深度学习（第2版）

作者：[美]弗朗索瓦·肖莱 著 张亮 译

作者：京东科技 牛志伟

来源：京东云开发者社区