8年java开发从零学习人工智能(深度学习)--pp飞桨(百度自研开源框架)
1.明确概念：人工智能>机器学习>深度学习，三者的关系是包含关系，如图所示：
人工智能（AI），很宽泛的概念，是研发用于模拟，延展和扩展人的智能的理论，方法，技术及应用系统的一门新的技术科学。而机器学习(Machine Learning)是当前比较有效的实现人工智能的方式。深度学习(DL)是机器学习算法中最热门的分支，这些年取得显著进展，并替代了大多数传统机器学习算法。
2.机器学习的实现原理：
机器学习的实现可以分为两步：训练和预测，类似与归纳和演绎；
归纳（训练）：从具体案例中抽象出一般规律，机器学习中的“训练”也是如此，从模型输入x和模型输出y中学习y和x的关系，某种规律体现为表达式；
演绎（预测）：从一般规律推导出具体案例的结果，基于训练得到y与x的关系，出现新的输入x计算得出y，通过模型计算输出和真实的输出一致，则说明模型有效；
机器学习的实施方法：机器思考过程中确定模型的三个关键要素：假设，评价，优化；
合理的假设可以最大化解释已知数据，因此，模型有效的基本条件是 能够拟合已知的样本；
衡量模型预测值和真实值差距的评价函数也被称为损失函数；
最小化损失是模型的优化目标，实现最小化损失的方法称为优化算法。
模型假设，评价函数(损失/优化目标)和优化算法是构成模型的三个关键要素；
机器执行学习任务的框架体现了其学习的本质是“参数估计”；
3.深度学习
相比传统的机器学习算法，深度学习做出了哪些改进呢？其实两者在理论结构上是一致的，即：模型假设、评价函数和优化算法，其根本差别在于假设的复杂度。
神经网络的基本概念
人工神经网络包括多个神经网络层，如：卷积层、全连接层、LSTM等，每一层又包括很多神经元，超过三层的非线性神经网络都可以被称为深度神经网络。通俗的讲，深度学习的模型可以视为是输入到输出的映射函数，如图像到高级语义（美女）的映射，足够深的神经网络理论上可以拟合任何复杂的函数。因此神经网络非常适合学习样本数据的内在规律和表示层次，对文字、图像和语音任务有很好的适用性。这几个领域的任务是人工智能的基础模块，因此深度学习被称为实现人工智能的基础也就不足为奇了。
神经网络的基本结构：
- 神经元： 神经网络中每个节点称为神经元，由两部分组成：
- 加权和：将所有输入加权求和。
- 非线性变换（激活函数）：加权和的结果经过一个非线性函数变换，让神经元计算具备非线性的能力。
- 多层连接： 大量这样的节点按照不同的层次排布，形成多层的结构连接起来，即称为神经网络。
- 前向计算： 从输入计算输出的过程，顺序从网络前至后。
- 计算图： 以图形化的方式展现神经网络的计算逻辑又称为计算图，也可以将神经网络的计算图以公式的方式表达：
Y=f3(f2(f1(w1⋅x1+w2⋅x2+w3⋅x3+b)+…)…)…)Y=f3(f2(f1(w1⋅x1+w2⋅x2+w3⋅x3+b)+…)…)…)
由此可见，神经网络并没有那么神秘，它的本质是一个含有很多参数的“大公式”。如果大家感觉这些概念仍过于抽象，理解的不够透彻，先不用着急，下一章会以“房价预测”为例，演示使用Python实现神经网络模型的细节。