第1章　深度學(xué)習(xí)和PyTorch庫簡介

本章主要內(nèi)容

• 了解深度學(xué)習(xí)如何改變我們在機(jī)器學(xué)習(xí)中所使用的方法。
• 了解為何PyTorch適合深度學(xué)習(xí)。
• 研究一個典型的深度學(xué)習(xí)項(xiàng)目。
• 了解要使用書中例子所需要的硬件配置。

人工智能這個定義模糊的術(shù)語涵蓋了一系列學(xué)科，這些學(xué)科經(jīng)歷了大量的研究、推敲、困惑、夢幻般的炒作以及科幻小說般的“恐懼傳播”。當(dāng)然，現(xiàn)實(shí)要樂觀得多。如果斷言如今的機(jī)器正在學(xué)習(xí)人類任何意義上的“思考”，那是不符合實(shí)情的。相反，我們發(fā)現(xiàn)了一種通用的算法可以十分有效地近似復(fù)雜的、非線性的過程，我們可以用它來自動完成以前只有人類才能完成的任務(wù)。

例如，在talktotransformer網(wǎng)站上，一種名為GPT-2的語言模型可以一次生成一個詞，從而生成連貫的文本段落。當(dāng)我們向該模型輸入一些單詞時，它將產(chǎn)生以下內(nèi)容：

Next we’re going to feed in a list of phrases from a corpus of email addresses, and see if the program can parse the lists as sentences. Again, this is much more complicated and far more complex than the search at the beginning of this post, but hopefully helps you understand the basics of constructing sentence structures in various programming languages.

雖然在這些內(nèi)容背后沒有一個明確的論題，但以上內(nèi)容對于一臺機(jī)器而言是非常連貫的。

令人驚喜的是，該模型執(zhí)行這些以前只有人類才能完成的任務(wù)的能力是通過樣本來獲得的，而不是由人類將其編碼為一組規(guī)則。在某種程度上，我們了解到的智能只是一個概念，我們經(jīng)常將它和自我意識混為一談，而自我意識絕對不是成功完成這些任務(wù)的必要條件。最后，計(jì)算機(jī)智能的問題可能都不重要。Edsger W.Dijkstra發(fā)現(xiàn)，“機(jī)器是否會思考”和“潛艇是否會游泳”的問題一樣^[1]。

我們所討論的一般算法屬于深度學(xué)習(xí)AI的子類，深度學(xué)習(xí)是通過提供具有指導(dǎo)意義的例子來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)實(shí)體。深度學(xué)習(xí)使用大量數(shù)據(jù)來近似輸入和輸出相距很遠(yuǎn)的復(fù)雜函數(shù)，如輸入是圖像，輸出是對輸入進(jìn)行描述的一行文本；或輸入是書面文字，輸出是朗讀該文字的自然語音?；蛘?，更簡單地說，把金毛獵犬（golden retriever）的圖片和一個標(biāo)志聯(lián)系起來，告訴我們“是的，金毛獵犬在這里”。深度學(xué)習(xí)的能力使我們能夠創(chuàng)建功能性更強(qiáng)的程序，但截至目前，這些能力都還是人類獨(dú)有的。