永兴的TensorFlow笔记-1 人工智能简介

一、什么是人工智能？

• 1、概念：
  人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸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。
  人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
  人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
• 2、人工智能的核心思想： 机器模拟人类的意识和思维
• 3、重要的人物：
  
  艾伦·麦席森·图灵（ Alan Mathison Turing ）
  人物简介：
  1912 年 6 月 23 日－ 1954 年 6 月 7 日，英国数学家、逻辑学家，被称
  为计算机科学之父，人工智能之父。
  相关事件：
  • 1950 年在论文《机器能思考吗？》中提出了图灵测试，一种用于
    判定机器是否具有智能的试验方法：提问者和回答者隔开，提问者通过一些装置
    （如键盘）向机器随意提问。多次测试，如果有超过 30% 的提问者认为回答问题
    的是人而不是机器，那么这台机器就通过测试，具有了人工智能。 也 就是工智能
    的概念：“用机器模拟人的意识和思维” 。
  • 图灵在论文中预测：在 2000 年，会出现通过图灵测试具备人工智能的机器。
    然而直到 2014 年 6 月，英国雷丁大学的聊天程序才成功冒充了 13 岁男孩，通过
    了图灵测试。这一事件比图灵的预测晚了 14 年。
  • 在 2015 年 11 月 science 杂志封面新闻报道，机器人已经可以依据从未见
    过的文字中的一个字符，写出同样风格的字符，说明机器已经具备了迅速学习陌
    生文字的创造能力。

二、什么是机器学习（人工智能的核心）？

• 概念： 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门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。
• 意义： 它是人工智能的核心，是使计算机具有智能的根本途径。
• 基本方法： 计算机利用已有数据得出某种模型，再利用此模型预测结果。
  
• 一般特点： 随经验的增加，效果会变好。
• 举例：
  简单模型举例：决策树模型
  预测班车到达时间问题描述： 每天早上七点半，班车从A 地发往B 地，到达B
  地的时间如何准确预测？
  如果你第一次乘坐班车，你的预测通常不太准。一周之后，你大概能预测出班车
  8:00 左右到达B 地；一个月之后，随着经验的增加，你还会知道，周一常堵车，
  会晚10 分钟，下雨常堵车，会晚20 分钟。于是你画出了如下的一张树状图，如
  果是周一，还下了雨，班车会8:30 到达；如果不是周一，也没有下雨，班车会
  8:00 到达。
  
• 与传统计算机的区别：传统计算机是基于冯诺依曼结构，指令预先存储。运行时，CPU 从存储器里逐行读取指令，按部就班逐行执行预先安排好的指令。
• 机器学习的三要素： 数据、算法、算力

三、什么是深度学习？

• 概念：深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。源于对生物脑神经元结构的研究。
  深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
• 成果：深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
• 神经网络：
  • 生物学中的神经元：下图左侧有许多支流汇总在一起，生物学中称这些支流叫做
    树突。树突具有接受刺激并将冲动传入细胞体的功能，是神经元的输入。这些树
    突汇总于细胞核又沿着一条轴突输出。轴突的主要功能是将神经冲动由胞体传至
    其他神经元，是神经元的输出。人脑便是由860 亿个这样的神经元组成，所有的
    思维意识，都以它为基本单元，连接成网络实现的。
    
  • 人工智能的神经网络；
    1943 年，心理学家McCulloch 和数学家Pitts 参考了生物神经元的结构，发表了抽象的神经元模型MP。神经元模型是一个包含输入，输出与计算功能的模型。输入可以类比为神经元的树突，输出可以类比为神经元的轴突，计算可以类比为细胞核。
    
• 人工智能 Vs 机器学习 Vs 深度学习 ：
  • 人工智能，就是用机器模拟人的意识和思维。
  • 机器学习，则是实现人工智能的一种方法，是人工智能的子集。
  • 深度学习就是深层次神经网络，是机器学习的一种实现方法，是机器学习的子集。
    
• 总结：
  • 1、机器学习，就是在任务T 上，随经验E 的增加，效果P 随之增加。
  • 2、机器学习的过程是通过大量数据的输入，生成一个模型，再利用这个生成的
    模型，实现对结果的预测。
  • 3、庞大的神经网络是基于神经元结构的，是输入乘以权重，再求和，再过非线
    性函数的过程。

四、什么是TensorFlow深度学习框架？

• 基本情况：
  • TensorFlow™是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief 。
  • Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究 [1-2] 。
  • TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub 、TensorFlowLite*TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API） 。自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码。
• 简介：TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
• 什么是数据流图（Data Flow Graph）?
  数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。
  
• TensorFlow的特征：
  
  五、TensorFlow 尝试：
  可百度网盘直接打包下载

链接:https://pan.baidu.com/s/1ClYXMzCc6zghHf_E_sgZQQ  密码:gm9p

让你了解和运行 TensorFlow!
在开始之前, 让我们先看一段使用 Python API 撰写的 TensorFlow 示例代码, 让你对将要学习的内容有初步的印象.
这段很短的 Python 程序生成了一些三维数据, 然后用一个平面拟合它.

import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
for step in range(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]