教你如何避免成为一个低级搬砖码农--人工智能入门级教学

导引

1. 人工智能主流方向
2. 神经网络基本原理
3. 神经网络用途
4. 神经网络实现方式

人工智能主流方向

人工智能也就是artificial intelligence现在我觉得已经算是一个泛概念了，现在最吸引眼球的当然就是alpha go zero了，又发了一篇paper在nature好像（论文能发布在nature其实代表着这项工作已经是世界最前沿而且nature的审稿专家一致认为这会对世界的发展产生极大贡献），相对于alpha go的关注度（碾压各大国手）来说是没问题的，但是登上nature更重要的是alpha go对于人类发展的贡献已经被大多数专家所承认了。现在就来说说AI的各个主流方向会对我们的生活造成什么样的影响吧。首先就是自然语言学习，是我自己比较感兴趣的地方吧，主要也就是数据发掘吧，因为好像是近几年网络上数据量爆炸但是有效数据太少如果自然语言处理发展到很高阶段的话能够利用起这些数据所能够对我们的生活的影响是非常大的，最近我影响比较深的就是通过社交网络来对流感进行国家层面的控制和处理（其实我去年就想到这个想法了哈哈哈）。还有就是主要做预测的机器学习，主要用于分类的神经网络。我这么说还是太泛了但是其实这些东西的应用都不是这些词所能概括的实在是很开脑洞。

神经网络的基本原理

由于相比之下我只对神经网络有一点了解，所以接下来我就主要介绍一些关于神经网络的用途吧。其实神经网络在我看来就是专门用来分类的一个东西啦，什么模拟神经元啦我也不是太懂，用过的就是一个k-means分类，这个基本上就算是单层的神经网络了，主要原理放进去很多个坐标点，就是以距离为特征，然后让每个类离的元素对于类内的元素的距离之和最少而类与类之间的点的距离最长，然后进而达到对数据点的分类。神经网络再高级一点就是加多一点特征，再加多一点神经网络的层数。再高级一点的就是自学习了，让神经网络自己判断层数和特征多少。

神经网络的用途

介绍了原理之后就介绍用途，其实这一部分最主要的地方就是从神经网络最基本的分类原理出发了，最直观的就是只要用到分类的东西都能够用上神经网络的地方都能够用上,比如图像处理的时候可以用来判断这个手写文字到底代表了什么意思（基于非常庞大的字符集，每个字符相当于一个类（分类的标准就是把这个字的结构当作特征，比如0这个字符的特征就是它是一个封闭的环，这个特征相对于其他字符有很大的区分度所以对于0的分辨特别准确），对于这个手写字符识别就相当于对这个字符进行分类到所有字符集中涵盖的字符。字符识别算是一个比较直观的例子了，更加抽象的例子就比如人脸识别啊什么的，说到底还是面对一个对象来人力或者神经网络自己找出区分度最高的特征，并由此为用来匹配的样本建立匹配库，再对目标样本进行分类。

神经网络的实现

因为这篇文章的受众应该不出意外只会是我们软工的同学了，所以介绍一下可以很快上手的实现自己神经网络的方法，其中最快最弱智的就是直接用matlab的 neural network toolbox，如果你觉得图像化的操作还难那么也许你真的不适合玩神经网络，还是选择去前端混碗饭吧。其次需要有点技术的就是用TensorFlow，caffe，openCV这种别人封装好的库或者框架.其中openCV是c++的库对于图像识别方面很不错，TensorFlow和caffe是一个深度学习的框架（可能大家不知道什么是框架可以大概理解为stdio这种标准库的无敌升级版吧）好像很多论文都是用这个做。

last but not least

可能我之前说了这么多大家还是对神经网络一知半解tensorflow playground这是一个google推出的模拟真实神经网络并且将它可视化后的游乐场，主要通过将这些橙色和蓝色的小球分成一半个数是样本一半是用于分类的测试点，然后通过神经网络利用样本找出特征把剩下的测试点分类出来，你可以在这里自己选择特征和神经网络的层数（点击neruo 和layers对应的加号 由此可以反映出增加层数和特征对结果和分类速度的影响），选好后点击左上角的运行按钮就可以讲处理的每一步都可视化给你看了，左边的图就是每个阶段分类的范围，原来神经网络也可以这么直观是不是太棒了。