跟我一起学PyTorch-01：深度学习简介

围棋号称人类最复杂的棋类运动，但近两年来，在AlphaGo的冲击下，已经溃不成军。继2016年AlphaGo以4:1击败韩国李世石，2017年AlphaGo Master以3:0零封柯洁之后，最新的Alpha Zero在没有棋谱的情况下，进行3天的自我训练后，就击败了AlphaGo；经过40天训练后，击败了Alpha Master。在AlphaGo背后隐藏的知识就是近来发展如火如荼的深度学习。深度学习不仅在围棋领域大放异彩，在图像识别、语音识别、自然语言处理等领域也全面开花。

1.人工智能、机器学习与深度学习

人工智能（Artificial Intelligence，简称AI），也称为机器智能，是指由人制造出来的机器所表现的智能。通常人工智能是指通过普通计算机程序的手段实现的人类智能技术。广义上的人工智能，是让机器拥有完全的甚至超越人类的智能（General AI或者Strong AI）。计算机科学中的研究更多聚焦在弱人工智能（Narrow AI或者Weak AI）上：人工智能是研究如何能让计算机模拟人类的智能，来实现特定的依赖人类智能才能实现的任务（如学习、语言、识别）。

最早的人工智能探索可以追溯到1818年Mary Shelly（雪莱）对于复制人体的想象。计算机科学家先驱Alan Turing（图灵）早在1950年就完整提出了计算机智能的概念，并且提出了如何评估计算机是否拥有智能的测试——图灵测试。尽管有争议，这项测试今天依然被很多研究人员当做测试人工智能的一项重要指标。人工智能这个名字的正式提出，来自于1956年的Darmouth会议。从20世纪50年代到90年代，人工智能在跌跌撞撞中前进，期间经历了两次人工智能寒冬。在2000年后，随着互联网的发展，人工智能领域拥有了期盼已久的大数据，也有了足够快的硬件处理能力的支持。2010年深度学习的出现，给人工智能领域带来了一场革命，大大加快了人工智能领域的研究。不过这个领域的发展才刚刚起步，人工智能的未知世界，可能比计算机科学的其他领域（比如硬件、安全、系统）的总和还要多。下图为人工智能之父——图灵。

人工智能的研究分为多种学派，例如符号主义学派和连接主义学派等。每种学派所用的方法完全不同，甚至尝试解决的问题也不一样。符号主义源自于数学逻辑，目前依然是主流学派之一（例如知识图谱）。机器学习则是连接主义的产物，机器学习中最早的模型是源自于人脑的仿生学，感知机（Perceptron）就是对人脑单一神经元的模拟。基于统计学的方法，例如决策树、支持向量机、逻辑回归等也被归于此类算法当中。从广义上讲，机器学习是从数据中自动学习算法，并且使用学习到的算法去进行预测。机器学习所学习到的算法，是自动从数据中学习的，随着数据改变也会有本质上的改变。这与传统计算机科学中面向对数据提前编程有着本质区别。

深度学习是使用深度神经网络来实现机器学习的方法。从下面左图中我们可以看到人工智能、机器学习和深度学习这三者的关系。深度神经网络跟人脑的模型有相似性，人脑中每个神经元都是可以