7.3　前向傳播算法實現及其和TensorFlow的算法對比

接下來總結一下盤古人工智能框架前向傳播算法的實現：

盤古人工智能框架使用前向傳播算法實現前向傳播的預測效果，這和TensorFlow可視化圖的運行效果是一樣的：在TensorFlow中輸入數據，然后提取特征，經過隱藏層計算，到達輸出層。Neuron_Network_Entry.py的輸入數據是實例集，該實例集是二維數組，當然也可以使用外部文件，用一個函數讀取文件里面的數據；也可以將二維數組的狀態變成矩陣的狀態，因為盤古人工智能框架開始時沒有使用矩陣。輸入數據以后提取特征，這里的特征是將第一列和第二列進行異或操作，只有第一列元素和第二列元素不一樣的時候，第三列才是1。盤古人工智能框架強大之處在于預先并不知道第三列的值，是根據第一列、第二列的關系進行計算，將預測結果和實際結果進行對照，然后調整第一列、第二列，逐漸凸顯第一列和第二列的關系，最后得出一個預測結果。預測結果趨近于實際值，如圖7-7所示。

圖7-7　前向傳播的運行效果

TensorFlow的可視化圖中，從左到右，先在輸入層提取特征（CNN框架能自動提取圖像的特征，這是深度學習帶來最大的便利之一，傳統的機器學習很多時候無法自動提取特征，而提取特征是過去機器學習工程最消耗時間的地方，性能調優等只是業界固定的最佳實踐）；然后進入隱藏層，可以使用3個隱藏層，也可以使用2個隱藏層（前面我們分別演示了有3個隱藏層、2個隱藏層、1個隱藏層的情況，有3個隱藏層時神經元的個數是[8,4,2]，有2個隱藏層時神經元的個數是[4,2]，有1個隱藏層時神經元的個數是[3]）；最后到達右側的輸出層，得到一個結果。

不同隱藏層的計算速度和精確度是不一樣的。深度學習另一個幾乎完勝其他機器學習算法的地方在于隱藏層，由于隱藏層的存在，深度學習的算法遠遠超越了機器學習的算法。深度學習的兩個巨大優勢：一是特征的自動提取，因為特征提取對人而言是最繁重的體力勞動；二是隱藏層帶來的訓練效果遠遠比機器學習的效果好。基于這兩點，讀者就不應以普通的機器學習算法作為目標，而要以深度學習作為目標。