1.人工智能与机器学习

人工智能是一个很庞大的研究领域，虽然人们对于人工智能相关的理论研究和算法开发达到了一定高度，迄今为止我们掌握的能力仍然非常有限。人工智能的范畴包括机器学习，机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心组成部分，它是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。深度学习是机器学习中的一个研究方向，深度学习通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。

2.机器学习中的深度学习

深度学习（deep learning）是机器学习的分支，是一种以人工神经网络为架构，对资料进行特征学习的算法。这里解释一下特征学习，特征学习是学习一个特征的技术的集合：将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦，允许计算机学习使用特征的同时，也学习如何提取特征。简而言之，就是学习如何学习。 深度学习的好处是低成本高效率的获取信息特征。至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和循环神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

3.走近人工智能

每年的英语四六级考试成绩总能牵动一些小伙伴的心情，如果请你判断小飞同学的成绩是否合格，那么应该难不倒你，因为我们很清楚其中的判断逻辑，分数大于等于425分就合格，424分就“杯具”了。若是让你来完成这一段代码，你会怎么做呢？ 如果你稍有编程基础，一定难不倒你。几个条件判断搭配使用，轻轻松松完成任务。下一题： 如果让你读出下列图片中的数字，即使有个别数字比较扭曲但仍然难不倒你，可是，如果我们的任务是让计算机把这些数字辨别出来，可能就不那么轻松了。 一个比较好的思路是，制作0~9的数字图像模板，把每一张手写数字图片的像素值与模板进行匹配，把最接近模板数值的那个数字作为输出。这是传统思路，用深度学习的方法可以提升识别精度哦。 场景三，你能不能判断出女朋友说的“没事”是真没事还是在生气呢？如果你的判断非常准确，请问是如何做到的呢？是经验丰富还是天赋异禀呢？ 假如我们的任务是让计算机完成类似人类的情绪判断任务，可行吗？如果你有任何编码的经验，就会明白这是很困难的事，可能得写成千上万条代码才能做到，那么有没有一种方法教会电脑自己来判别呢？这便是机器学习，也是迈向AI的途径。 我们从一个简单的线性实例出发，逐步迈向人工智能。请观察以下数字：

X = 1，2，3，4，5， 6， 7
Y = 2，4，6，8，10，12，14

这些数字当中的各个X值，它们和Y值之间存在着一种关系，你能找出其中的规律吗？ 很简单，Y = 2X 你是怎么得出这个规律的呢？ 你可能注意到当X = 1时，Y 是 X 的 2 倍，再看看第二组，X = 2时，Y = 4，现在很可能就是 Y = 2X 的关系，我们想验证一下猜想，于是又看了X = 3，4，5，6，7时 Y 的对应值是否和我们的猜测吻合，发现是的，于是我们得出 Y = 2X 的规律。这样的思考过程正是所有机器学习运算的方式。下面，我们用机器学习的思路去实现这一过程。

4.代码讲解

很复杂？别害怕，你会掌握的。 我们先了解一下上述任务的机器学习模型需要哪些组成部分。

4.1数据部分

首先是数据，数据包括输入数据（X）以及对应的标签（Y），这里数据和标签是一起交给计算机进行学习的。

4.2模型部分

再来是网络模型构造，我们需要根据任务挑选不同的模型进行学习，例如线性模型Y=kX + b ，或者复杂的神经网络模型。

4.3损失函数和优化器

训练时，模型会以损失函数来衡量猜测结果的准度 你也许是第一次听说它们，我们的任务是让机器找到解决问题的规则，机器并不知道数据与标签之间有什么关系，所以它必须要做一个猜测，然后查看数据，对猜测结果进行评估。 损失函数是一种评估猜测结果优劣程度的方法。 优化器会基于损失函数反馈的结果进行下一轮猜测，然后再次使用损失函数来评估猜测结果。 其中的逻辑是，优化器可以提高猜测准确度，数据被传递给优化器进行下一轮猜测，以此类推，这就是神经网络的训练过程。（这里我们用的优化器是SGD随机梯度下降法，损失函数用的是MSE均方误差）

4.4训练模型

训练时，以X值和Y值相互适配，并循环500次，训练结束后，我们就得到了一个机器自己推断出来的公式，它就隐含在模型之中。

4.5评价模型

我们对模型输入8，期待它能给出16的反馈结果。输出的结果很接近16，但还不到16，为什么会这样？ 这是因为计算机接受的训练是匹配这7组数字，而这7组数字间似乎存在一种线性关系，但这7组数字之外的其他值，直线关系未必成立，直线关系的可能性很大，但我们仍不能确定，而这样的可能性考量已融入预测模型中，所以得出的值会非常接近16，但可能不会恰好等于16。 在这个简单的样例中，大致的训练流程如图所示，让计算机通过已有的数据信息主动习得数据的内在规律。我们利用优化器和损失函数等各种手段，让计算机习得的规律更贴近理想状态。

5.小结

传统的编码模式，是程序员写好规则，有输入就有预定的输出。机器学习呢，是程序员写好框架，让机器学习到一个比较好的规则，能够对数据输出靠谱的结果。可能在这个例子中，感觉机器学习也不过如此，其实在很多复杂的问题上机器学习往往能发挥出极大的使用价值。 在本课程的学习中，我们将采用TensorFlow框架，在TensorFlow框架下构建机器学习流程，让我们一起来学习吧。

完整代码：

import tensorflow as tf
import numpy as np
from tensorflow import keras
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_error')
xs = np.array([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0], dtype=float)
ys = np.array([2.0, 4.0, 6.0, 8.0, 10.0, 12.0, 14], dtype=float)
model.fit(xs, ys, epochs=500)
print(model.predict([8.0]))

6.课堂练习

1、还记得人工智能的层次结构吗，左右两边哪个图标识的是正确的？不记得了就再看看本文吧。 2、“优化器的功能是——评测网络模型的优劣程度”，这样的说法正确吗？如果不正确，请你补充说明优化器的作用。