1.2　人工智能為何如此強大

在機器學(xué)習(xí)、深度學(xué)習(xí)、增強學(xué)習(xí)以前，編程是無須關(guān)心機器的經(jīng)驗，以前的編程是根據(jù)用戶的經(jīng)驗，無法根據(jù)現(xiàn)有的數(shù)據(jù)或發(fā)生的事件改變程序，流程各方面一旦確定，無法根據(jù)已有的數(shù)據(jù)或個體的數(shù)據(jù)進行學(xué)習(xí)；而人工智能的核心能力是能從每次發(fā)生的事件中學(xué)習(xí)，并不斷改進、優(yōu)化，然后通過不斷優(yōu)化應(yīng)對現(xiàn)在和未來的變化。科研界認為PyTorch比谷歌的TensorFlow好很多，因為PyTorch有個動態(tài)圖的核心特性，每次學(xué)習(xí)完成以后可以動態(tài)地修改圖；TensorFlow是業(yè)界主流的人工智能框架，TensorFlow使用靜態(tài)圖，特點是根據(jù)已有的數(shù)據(jù)學(xué)習(xí)完成以后就不能再修改。

人工智能從每次的經(jīng)歷中學(xué)習(xí)，用于下一次的行為改進。深度學(xué)習(xí)基于海量的數(shù)據(jù)完成這個過程，而增強學(xué)習(xí)是通過實時與環(huán)境進行交互，來完成這個過程。機器學(xué)習(xí)、深度學(xué)習(xí)、增強學(xué)習(xí)的算法如果不是從這個角度來考慮的，那一定是錯的。

TensorFlow網(wǎng)站（http://playground.tensorflow.org/）是TensorFlow公司提供給人工智能學(xué)習(xí)者學(xué)習(xí)用的，圖1-1所示為人工智能神經(jīng)網(wǎng)絡(luò)運作過程的可視化圖。

從數(shù)據(jù)中提取特征，類似于大腦對信息的加工處理過程，即對特征進行加工處理。過去如果想在人工智能方面有所發(fā)展，必須熟練掌握微積分、線性代數(shù)、概率論、數(shù)理統(tǒng)計等數(shù)學(xué)知識，但現(xiàn)在TensorFlow、PyTorch等人工智能框架已經(jīng)將這些深奧的內(nèi)容通過Python、C、C++等編程語言實現(xiàn)了，因此使用者不需要對每一步進行具體的數(shù)學(xué)推導(dǎo)，只需知道數(shù)據(jù)是怎么流動的，各環(huán)節(jié)的處理過程，就可以直接拿過來使用。圖1-2中左邊是數(shù)據(jù)輸入，將數(shù)據(jù)進行邏輯分類，分成兩種顏色的點，例如哪些是垃圾郵件，哪些是有用的郵件，右邊是分類輸出結(jié)果。單擊左上角的運行按鈕之前，初始化的測試集損失度為0.509，訓(xùn)練集損失度為0.509，單擊運行按鈕，訓(xùn)練分類模型，查看損失曲線及數(shù)據(jù)流動的過程，圖1-2中迭代到第644個時代（Epoch），測試集損失度變成了0.002，訓(xùn)練集損失度為0.001，這是一個非常不錯的結(jié)果。例如預(yù)測是否是垃圾郵件，如果正確率只有50%，就太糟糕了，谷歌垃圾郵件的識別率已經(jīng)達到了99.9%，意味著1000封的垃圾郵件識別中可能有幾封是錯的，大部分預(yù)測是正確的。

圖1-1　TensorFlow可視化運行圖

圖1-2　訓(xùn)練集及測試集損失度