文︱编辑部

图︱网络

虚竹在惦记自己梦姑的时候，好歹还有梦境作为影象碎片。
而那些让人许多AI公司爆火的、融资拿得手软的AI代码是不是也如某国公主一样平常呢？

直到笔者看到这两张图：

当然以上纯属玩笑，在QUORA上，一位毕业于印度理工学院人工智能与打算机科学专业、事情于Facebook的工程师Sriraman Madhavan。

写了这么一个答案：

这是我写的一个案列：根据名字来确定你是来自印度哪个地区的。
根据你名字的不同状态，可以剖断你的家庭职员情形，以下是代码片段：

下面这个代码不是我写的，这是个谷歌根据图片天生描述笔墨的创新。
下面是根据图片天生描述的案例：

但等等！
别高兴得太早，就上面这个代码也引发了啼笑皆非的笑话。

如果调教不好，AI可能有点屈曲。

下面再看一个繁芜的例子：（作者：Mikkel Duif）

我们必须记住，AI紧张只是一堆数学逻辑（尤其是在谈论机器学习和深度学习时）。
编码的浸染只是让打算机去实行它，并从数据中得以学习。
我认为要知道AI代码长什么样，并不是要理解背后代码的外不雅观，和如何编写代码，而是要更多理解代码中到底发生了什么。

比如，我们如何创建能够识别MNIST数据库中这些手写数字的东西呢？

如下图，只是一些Python代码，背后有很多数学逻辑。
[1]

是不是看完头皮发麻？

我自己都以为很难明得它。

这到底是个什么玩意儿？实在便是数学逻辑。

每个手写数字由2828像素组成，那么就共有784个像素。
且每个像素都被用作神经网络的输入，我们用它来演习网络。
每个像素都被认作为一个输入，并通过中间隐蔽层，也便是下图中的15个神经元。
经由那里，我们将得到最有可能的数字估计。

即我们就会得出哪个数字的激活率最高。
这种觉得就犹如下图：[2]

那么我们在实行代码时会发生什么？我们所建立的网络类型称为前馈神经网络，这意味着所有数据都在一个方向上。
我们利用反向传播算法来打算我们当前数据的偏差，通过变动设置并在此运行神经网络。

我们得出这样的输出：

从中可以看出，在第一轮中，我们神经网络能够精确地对51%的数字进行分类，通过演习终极精确率能达到81%。
相称不错的改进吧？随机预测数字会给你10%的准确率！
精度还可以进一步提高，只须要更多的打算能力。
此外，对代码的变动还可以优化学习速率。
利用普通打算机，你可能就会得到低于4%的缺点率，而最佳结果是缺点率低于1%。
[3]

我们在这里做了什么？

这行代码中，我们见告网络：

1，784个输着迷经元；

2，30个隐蔽层；

3，10个输入迷经元。

其次，我们利用一种随机梯度低落的方法来演习我们的网络，并“降落我们的本钱”。

（备注：关于随机梯度低落法，各位看官请自行搜索。
）

那我们怎么才能自己玩转AI代码呢？

1，到GiteHub***以上代码：

https://github.com/mnielsen/neural-networks-and-deep-learning；

2，从这本免费的在线书本开始阅读关于AI的内容：

http://neuralnetworksanddeeplearning.com/index.html；

3，打开终端，输入以上代码，你将开始你的学习。

（备注：这只是人工智能领域中的一个分支，而识别这些数字存在很多方法。
）

[1] 链接：

https://github.com/mnielsen/neural-networks-and-deep-learning

[2] 链接：

http://neuralnetworksanddeeplearning.com/chap1.html

[3] 链接：

http://yann.lecun.com/exdb/mnist/

《T访谈》往期回顾：