01

—

當(dāng)今在互聯(lián)網(wǎng)混，不隨口說出深度學(xué)習(xí)，人工智能，機器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)等詞，人家都懷疑是個假的互聯(lián)網(wǎng)人了，但相信大部分沒有深入接觸這塊知識的人來說，對于這幾個概念，都還是傻傻分不清？

記得，自從AlphaGo那波，業(yè)界似乎對機器學(xué)習(xí)推到一個新的高度？？

本來是不太想沾這趟混水的，但是作為一名技術(shù)控，還是需要了解一下，至少也得對概念有點印象。

對于人工智能這塊領(lǐng)域，筆者也還是一名小學(xué)生，如果對這塊有不對的地方，請各位同學(xué)及時提出~

掃盲

深度學(xué)習(xí)，人工智能，機器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)，這4個詞在近幾年出現(xiàn)的比較多，但是它們之間有什么關(guān)系呢？尤其，機器學(xué)習(xí)跟深度學(xué)習(xí)區(qū)別在哪里？？

人工智能，英文Artificial Intelligence，簡稱AI，那人工智能的目的是什么？
網(wǎng)上一大堆，好聽的叫解放/發(fā)展生產(chǎn)力，解放人類，總的來說是提高效率?。?！

但更通俗的理解就是幫助人們：偷懶!

比如當(dāng)你說一句話時，機器能夠識別成文字，并理解你話的意思，進行分析和對話等。

人工智能的核心在于智能兩字，那智能怎么來的？主要歸功于一種實現(xiàn)人工智能的方法--機器學(xué)習(xí)；

那目前人工智能的應(yīng)用場景有哪些：OCR、語音技術(shù)（比如Siri）、大數(shù)據(jù)應(yīng)用等。

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，是使用算法來解析數(shù)據(jù)、從中學(xué)習(xí)，然后對事件做出決策和預(yù)測。
需要用大量的數(shù)據(jù)來“訓(xùn)練”，通過各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。

舉個例子，當(dāng)瀏覽網(wǎng)上商城時，經(jīng)常會出現(xiàn)商品推薦的信息。
這是商城根據(jù)往期的購物記錄和冗長的收藏清單，識別出這其中哪些是真正感興趣，并且愿意購買的產(chǎn)品。
這樣的決策模型，可以幫助商城為客戶提供建議并鼓勵產(chǎn)品消費。

機器學(xué)習(xí)通常分為三類：

第一類是無監(jiān)督學(xué)習(xí)，指的是從信息出發(fā)自動尋找規(guī)律，并將其分成各種類別，有時也稱"聚類問題"。

第二類是監(jiān)督學(xué)習(xí)，監(jiān)督學(xué)習(xí)指的是給歷史一個標(biāo)簽，運用模型預(yù)測結(jié)果。
如有一個水果，我們根據(jù)水果的形狀和顏色去判斷到底是香蕉還是蘋果，這就是一個監(jiān)督學(xué)習(xí)的例子。

最后一類為強化學(xué)習(xí)，是指可以用來支持人們?nèi)プ鰶Q策和規(guī)劃的一個學(xué)習(xí)方式，它是對人的一些動作、行為產(chǎn)生獎勵的回饋機制，通過這個回饋機制促進學(xué)習(xí)，這與人類的學(xué)習(xí)相似，所以強化學(xué)習(xí)是目前研究的重要方向之一。

深度學(xué)習(xí)：一種實現(xiàn)機器學(xué)習(xí)的技術(shù)
深度學(xué)習(xí)是機器學(xué)習(xí)的一個子領(lǐng)域，是利用深度的神經(jīng)網(wǎng)絡(luò)，將模型處理得更為復(fù)雜，從而使模型對數(shù)據(jù)的理解更加深入；

深度學(xué)習(xí)的核心是，我們現(xiàn)在有足夠快的計算機和足夠的數(shù)據(jù)來實際訓(xùn)練大型神經(jīng)網(wǎng)絡(luò)

三者的區(qū)別和聯(lián)系：
機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法，深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù)。

神經(jīng)網(wǎng)絡(luò)：是一種機器學(xué)習(xí)的算法
以“停止（Stop）標(biāo)志牌”為例，將一個停止標(biāo)志牌圖像的所有元素都打碎，然后用神經(jīng)元進行“檢查”：八邊形的外形、消防車般的紅顏色、鮮明突出的字母、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，它到底是不是一個停止標(biāo)志牌。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”。

神經(jīng)網(wǎng)絡(luò)是需要調(diào)制、訓(xùn)練的，不然會很容易出錯的。

OK，講到這里，相信大家對幾者之間的概念已經(jīng)有所了解了，至少知道這些是什么東西了。

簡單總結(jié)下：

機器學(xué)習(xí)是一種實現(xiàn)人工智能的方法，深度學(xué)習(xí)是一種實現(xiàn)機器學(xué)習(xí)的技術(shù)，神經(jīng)網(wǎng)絡(luò)是一種實現(xiàn)機器學(xué)習(xí)的算法！

TensorFlow簡介

TensorFlow是Google在2015年11月份開源的人工智能系統(tǒng)，由Google Brain團隊的研發(fā)人員負責(zé)，該系統(tǒng)可以被用于實現(xiàn)機器學(xué)習(xí)和深度學(xué)習(xí)、語音識別、圖片識別等多個領(lǐng)域。

官網(wǎng)對TensorFlow的介紹是一個使用數(shù)據(jù)流圖技術(shù)來進行數(shù)值計算的開源軟件庫。

• 數(shù)據(jù)流圖中的節(jié)點，代表數(shù)值運算；

• 節(jié)點節(jié)點之間的邊，代表多維數(shù)據(jù)(tensors)之間的某種聯(lián)系。

• 可以在多種設(shè)備（含有CPU或GPU）上通過簡單的API調(diào)用來使用該系統(tǒng)的功能。

官網(wǎng)地址：https://github.com/tensorflow/tensorflow

什么是數(shù)據(jù)流圖？
數(shù)據(jù)流圖是描述有向圖中的數(shù)值計算過程。有向圖中的節(jié)點通常代表數(shù)學(xué)運算，但也可以表示數(shù)據(jù)的輸入、輸出和讀寫等操作；有向圖中的邊表示節(jié)點之間的某種聯(lián)系，它負責(zé)傳輸多維數(shù)據(jù)(Tensors)。

節(jié)點可以被分配到多個計算設(shè)備上，可以異步和并行地執(zhí)行操作。因為是有向圖，所以只有等到之前的入度節(jié)點們的計算狀態(tài)完成后，當(dāng)前節(jié)點才能執(zhí)行操作。

TensorFlow的特性

• 靈活性，TensorFlow不是一個嚴格的神經(jīng)網(wǎng)絡(luò)工具包，只要你可以使用數(shù)據(jù)流圖來描述你的計算過程，你可以使用TensorFlow做任何事情。你還可以方便地根據(jù)需要來構(gòu)建數(shù)據(jù)流圖，用簡單的Python語言來實現(xiàn)高層次的功能。

• 可移植性，TensorFlow可以在任意具備CPU或者GPU的設(shè)備上運行，你可以專注于實現(xiàn)你的想法，而不用去考慮硬件環(huán)境問題，你甚至可以利用Docker技術(shù)來實現(xiàn)相關(guān)的云服務(wù)。

• 提高開發(fā)效率，TensorFlow可以提升你所研究的東西產(chǎn)品化的效率，并且可以方便與同行們共享代碼- 支持語言選項，目前TensorFlow支持Python和C++語言。

• 充分利用硬件資源，最大化計算性能。

TensorFlow最新版本為2.0，在TensorFlow2.x中擯棄了TensorFlow 1.x的諸多弊病，進一步整合TensorFlow和Keras，號稱能像Numpy一樣暢爽運行，快速、可擴展、可投入生產(chǎn)。

目前，TensorFlow包含開源的創(chuàng)新和社區(qū)參與，同時也具有大公司的支持，指導(dǎo)和穩(wěn)定性。

正是因為有著大量的優(yōu)勢，TensorFlow適合個人和企業(yè)，從初創(chuàng)公司到大型公司，以及Google。即從2015年11月開源以來，TensorFlow已經(jīng)成為最為令人興奮的機器學(xué)習(xí)庫之一。它被越來越多地應(yīng)用到研究，生產(chǎn)和教育中。

TensorFlow安裝

如果你已經(jīng)安裝了Python（或者是為了學(xué)習(xí)TensorFlow的目的安裝的），你可以通過下面的pip安裝：

pip install tensorflow

但是，這個方法的壞處在于，TensorFlow會覆蓋現(xiàn)有的包，并安裝特定的版本來滿足依賴性。

如果你要使用這個Python來做其他用途的話，這個方法是不可行的。一個常見的做法就是在虛擬環(huán)境中安裝TensorFlow，通過一個叫做virtualenv的軟件實現(xiàn)。這取決于你的環(huán)境，你可能不需要在你的機器上安裝virtualenv。要安裝virtualenv的話，輸入：

pip install virtualenv

可查看http://virtualenv. 獲取更多的操作指南。

為了在虛擬環(huán)境中安裝TensorFlow，你必須要先創(chuàng)建虛擬環(huán)境，例如將其放在~/envs目錄中，可以隨意放在你喜歡的任何地方。

cd ~mkdir envsvirtualenv ~/envs/tensorflow

這會在~/envs目錄下創(chuàng)建一個名為TensorFlow的虛擬環(huán)境（會展現(xiàn)為~/envs/tensorflow目錄的形式）。啟動這個虛擬環(huán)境，使用：

source ~/envs/tensorflow/bin/activate

提示會發(fā)現(xiàn)變化表明環(huán)境已經(jīng)啟動了，再使用輸入pip的安裝命令：

(tensorflow) pip install tensorflow

上面是CPU的版本，或者是安裝GPU的版本：

pip install tensorflow-gpu

更多詳細的安裝介紹可參考：

https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/os_setup.md

TensorFlow第一個示例

現(xiàn)在，我們已經(jīng)安裝并設(shè)置好了TensorFlow的環(huán)境。開始寫一個簡單的TensorFlow的程序吧，打印當(dāng)前TensorFlow版本、計算1+2的值，并將“Hello”和“World”結(jié)合起來，顯示出字段——“HelloWorld”。

import osimport tensorflow as tf
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'
print(tf.__version__)print(tf.add(1, 2).numpy())hello = tf.constant('Hello, TensorFlow!')print(hello.numpy())

如果在運行過程中，提示：

這是因為tensorflow默認分布是在沒有CPU擴展的情況下構(gòu)建的，例如SSE4.1，SSE4.2，AVX，AVX2，F(xiàn)MA等。默認構(gòu)建（來自pip3 install tensorflow）可以與盡可能多的CPU兼容。如果沒有GPU，并希望盡可能利用CPU的資源。

可以在最頂行增加如下代碼

import os  # os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 這是默認的顯示等級，顯示所有信息  os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只顯示 warning 和 Error   # os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只顯示 Error