AI(Artificial Intelligence) 和 ML(Machine Learning) 是当下最热的话题.
我们每天都能看到 AI 的字眼, 那些有抱负的程序员都说自己想学点 AI. 你也听到高层说他们想在服务中集成 AI. 但是, 大多数人其实不理解什么是 AI.
一旦你读过了这篇文章, 你就会理解基础的 AI 和 ML 知识. 最重要的是, 你将会理解什么是 [深度学习](https://en.wikipedia.org/wiki/Deeplearning)_—最流行的 ML 方法, 是怎么工作的.
这篇介绍面向所有人, 所以不需要任何数学基础.
背景
理解深度学习的第一步是分清两个重要术语的区别.
人工智能 VS 机器学习
人工智能 是人类智能在计算机中的模拟
当 AI 研究首次开始的时候, 研究者会尝试去复制人类在特定行为下的思考方式—比如玩游戏
他们会描述出计算机需要遵守的大量规则. 计算机有一个特定的动作集, 并且根据这些动作集作出决策.
机器学习指的是机器具有一种在大规模数据集下学习的能力, 而不再需要提前规定各种规则
ML 允许计算机自主学习. 这种学习方式充分利用了现代计算机的处理力, 能够轻松的处理大规模数据集.
监督性学习 VS 非监督性学习
监督性学习需要使用标记过的数据
当你使用监督性学习训练 AI 的时候, 你需要给它一个输入和希望得到的结果(输出)
如果 AI 得到的结果是错的.它会自动调整它的计算方式. 这个过程通过不断地遍历数据集, 指导 AI 得到的结果和期望输出值没有任何出入后, 才停止.
一个监督性学习的例子是天气预测 AI. 它会使用历史数据来学习预测. 训练数据包括了输入(气压, 潮湿度, 风速)和输出(气温)
非监督性学习是使用没有特定结构的数据的一种训练方式
当你打算使用非监督性学习来训练 AI 的时候, 你需要让 AI 自己决定如何对数据分类.
一个监督性学习的例子是电商网站的行为预测 AI. 它不能用标记过的数据来训练.
取而代之的是, 它会对输入数据创建自己的分类, 它会告诉你哪种用于最可能买的东西.
那么, 深度学习呢
你要开始准备理解深度学习, 和它工作的方式咯.
深度学习是一种机器学习的方法, 它让你训练 AI 来针对输入给出对应的输出. 无论监督性学习还是非监督性学习都可以用来训练.
我们通过假象一个飞机票预测服务来学习深度学习的公粥方式. 我们使用监督性学习来训练它.
我们希望我们的机票预测器能够使用下面的输入(去掉了剩余票来保证简单)来预测价格:
- 出发地
- 目的地
- 出发时间
- 航空公司
神经网络
让我们来深入我们 AI 的大脑.
就像动物一样,我们的预测 AI 的大脑拥有神经元. 用圆来表示它们. 这些神经元是互相连接的.
这些神经元被分成三种不同的层:
- 输入层
- 隐藏层
- 输出层
译者注: 就是因为隐藏层的行为是黑盒的, 连创造这个 AI 的人都不知道为什么会这样. 这也就是为什么有些大佬针对 AI 会有一些担心. 虽然目前的 AI 还处于比较弱智的阶段, 但是就像互联网的发展一样, 没人能预测到 20 年后的 AI 会到怎样的程度.
输入层接受输入数据. 在我们的场景下, 我们的输入层有四个神经元: 出发地, 目的地, 出发时间, 航空公司. 输入层将这些输入传给第一个隐藏层.
隐藏层会对输入的数据执行数学运算. 一大挑战是: 决定使用多少层隐藏层以及每一层有多少个神经元(越多越慢, 但是效果也越好)
深度学习中的 Deep 指的就是多于一层的隐藏层.
输出层就会返回输出的数据. 在我们的案例下, 它会告诉我们价格预测.
所以, 这个价格预测是怎么算出来的呢? 这就是深度学习的黑魔法
每一个神经元都是以权重来连接的. 权重指的就是某一个输入值的重要性. 初始权重是随机的.
当我们预测飞机票的价格的时候, 出发时间是一个重要的影响因素, 所以和出发时间相连接的神经元, 都会获得一个很高的权重.
每一个神经元都有一个激励函数, 这些函数没有数学基础的话很难解释. 简单地说, 它的一个用处就是标准化这些神经元的输出值.
一旦这些输入数据通过了所有的神经网络后, 它们就会通过输出层被返回出来. 一点都不难, 对吧?
训练神经网络
训练 AI 是深度学习最难的部分. 为什么?
- 你需要有大量的数据
- 你需要有庞大的算力
对于我们的机票价格预测系统, 我们需要寻找历史机票价格的数据. 因为机场和出发时间又有大量的组合, 我们就需要非常庞大的数据集.
为了训练 AI, 我们需要给他输入值, 然后将它的输出值和数据集中的输出值进行比较. 因为 AI 还没有训练完成, 这个输出肯定是错的.
一旦我们遍历过一次所有的数据集后, 我们创造一个用来暂时 AI 的输出和预期输出之间的差别. 这个函数被称为开销函数.
理想情况下, 我希望我们的开销函数是 0. 也就是 AI 的输出和数据集的输出完全一致.
怎么降低开销
我们需要修改神经元之间的权重. 我们可以随机的改变他们直到开销很低. 但是这个方法显然不怎么高效. 相反, 我们会使用一个叫做 梯度下降 的方法.
深度下降是一种让我们能找到函数最小值的方法. 在我们的场景下, 我们需要寻找开销函数的最小值.
它的工作方式是在每次遍历数据后, 一点一点的修改权重. 通过计算在某一特定数据集下, 开销和对应权重的函数的斜率, 我们可以知道哪个方向可以得到最小值.
为了最小我们的开销, 需要遍历数据集很多次. 这也是为什么你需要非常庞大的计算力. 使用梯度下降的方法来更新权重是全自动的, 这也是深度学习的黑魔法.
一旦我们训练好我们的 AI, 就能用来预测未来的机票价格了.
在哪可以学到更多
还有很多其他类型的神经网络: 计算机视觉使用卷积神经网络, 自然语言处理使用递归神经网络.
如果你想学习深度学习, 我建议还是去找在线课程. 当前最好的课程之一就是吴恩达的深度学习标准. 如果你对证书没兴趣的话, 可以不需要为这门课程付费. 你可以免费旁听.
总结
- 深度学习使用神经网络来模仿动物的智能
- 神经网络有三种层: 输入层(Input Layer), 隐藏层(Hidden Layer) 和 输出层(Output Layer)
- 神经元之间通过权重连接, 展现了输入数据的重要程度.
- 神经元使用对数据使用激励函数来标准化输出
- 为了训练神经网络, 你需要大量的数据
- 遍历数据并且比较, 会有一个开销函数. 它表明了当前 AI 离可以用还差多远
- 每次遍历数据后, 通过梯度下降来降低开销, 以调整神经元之间的权重