人工智能 artificial intelligence=AI

人工智能的應(yīng)用：

現(xiàn)有的已經(jīng)普及，常見的人工智能

1、云助手

云助手是專為云服務(wù)器ECS打造的原生自動(dòng)化運(yùn)維工具，通過免密碼、免登錄、無需使用跳板機(jī)的形式，在ECS實(shí)例上實(shí)現(xiàn)批量運(yùn)維、執(zhí)行命令（Shell、Powershell和Bat）和發(fā)送文件等操作。典型的使用場(chǎng)景包括：安裝卸載軟件、啟動(dòng)或停止服務(wù)、分發(fā)配置文件和執(zhí)行一般的命令（或腳本）等。

如語音助手（小愛，siri,等）

2、推送（文章、視頻、圖片，產(chǎn)品等推送，如淘寶，B站，京東等）

3、自動(dòng)化倉庫

4、垃圾郵件歸類

最新的人工智能

1、deep fake三劍客

1）人臉替換

2）AI合成（聲音）

只抓取你5秒的聲音，可以以的聲音讀任何一段文字。

2、deep fake detect的AI

1）用來識(shí)別那些視頻是真的，哪些視頻時(shí)偽裝的。

2）AI檢測(cè)你的美圖是否被修改過

機(jī)器學(xué)習(xí) Machine Learning

奠定了人工智能的基礎(chǔ)

計(jì)算機(jī)學(xué)習(xí)我們所“告訴”它們的知識(shí)，之后它能憑借所寫“知識(shí)”做出判斷。

機(jī)器學(xué)習(xí)的運(yùn)作如下：

計(jì)算中任意數(shù)字都是以“0”和“1”來表示的，圖片也是根據(jù)數(shù)字構(gòu)成的。

屏幕中的每一個(gè)像素點(diǎn)都可以用數(shù)字來代表它亮度

我們教導(dǎo)計(jì)算機(jī)這個(gè)圖是什么？那個(gè)圖是什么？的過程，是為了讓計(jì)算機(jī)得出上面這個(gè)公式的。

計(jì)算機(jī)如果能夠得出這個(gè)公式，就能把圖片是什么才出來。

教導(dǎo)計(jì)算機(jī)學(xué)習(xí)的這一過程叫做訓(xùn)練（training)

計(jì)算機(jī)識(shí)別圖像的正確率很高（90%，甚至99%）

有的公式運(yùn)算速度快，計(jì)算簡(jiǎn)單，識(shí)別正確率并不高，有的公式運(yùn)算滿，但是識(shí)別正確率很高。

計(jì)算機(jī)再生成公式，即訓(xùn)練也是需要花很多時(shí)間的。

人工神經(jīng)網(wǎng)絡(luò)，

其實(shí)就是一個(gè)數(shù)學(xué)公式，數(shù)學(xué)模型。

它是仿照生物大腦的神經(jīng)細(xì)胞來工作的。

我們就是用這個(gè)復(fù)雜的網(wǎng)絡(luò)來偵察外部環(huán)境的變化來控制和調(diào)節(jié)自身的行為，以及內(nèi)環(huán)境的穩(wěn)態(tài)。

信號(hào)如何傳遞

首先神經(jīng)元通過很多突觸與其它的神經(jīng)元連接，突出能將一個(gè)神經(jīng)元的信號(hào)傳遞給另一個(gè)神經(jīng)元，并且信號(hào)是否能夠繼續(xù)傳遞，取決于神經(jīng)元受到信號(hào)的強(qiáng)度，以及突觸是否對(duì)該信號(hào)進(jìn)行抑制或者加強(qiáng)。突觸的強(qiáng)度呢？有強(qiáng)有弱，可以通過訓(xùn)練不斷斷改變，具有一定的可塑性，

神經(jīng)元之間信號(hào)的傳遞不過是一堆數(shù)字之間的運(yùn)算而已、

并且在計(jì)算機(jī)模擬的神經(jīng)網(wǎng)絡(luò)中，我們將復(fù)雜的神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化成，一層一層相連的結(jié)構(gòu)。每一層的神經(jīng)元和下一層的神經(jīng)元間信號(hào)一層一層，接連傳遞，知道最后一層，

第一層信號(hào)就是代表左圖1的1萬個(gè)數(shù)字，然后經(jīng)過層層運(yùn)算得到最后一層的那個(gè)數(shù)字，就是用來代表圖片中，內(nèi)容的那個(gè)結(jié)果。

NN=Neural Network

比如CNN/RNN,指的就是人工神經(jīng)網(wǎng)絡(luò)。

它是機(jī)器學(xué)習(xí)中的一類模型

深度學(xué)習(xí)就是人工神經(jīng)網(wǎng)絡(luò)的一個(gè)特例，

深度學(xué)習(xí)的例子：（應(yīng)用場(chǎng)景）

深度學(xué)習(xí)中的‘深度’這個(gè)詞，并不是指學(xué)習(xí)的內(nèi)容或者知識(shí)有多么深，或者知識(shí)的難度有多么高，

人工神經(jīng)網(wǎng)絡(luò)只畫了四層，但是深度學(xué)習(xí)可以畫很多層，10層，20層，30層，甚至50層，因?yàn)榇笠?guī)模的神經(jīng)網(wǎng)絡(luò)可以勝任更困難的工作。

比如：識(shí)別成百上千的物體（圖1），勝任幾十門外語之間的自由翻譯（圖2）

深度學(xué)習(xí)的缺點(diǎn)：

計(jì)算量大，并且對(duì)硬件要求很高。

神經(jīng)網(wǎng)絡(luò)為什么可以做這么深？

圖1

圖2

自己做深度學(xué)習(xí)通常要配置一個(gè)頂級(jí)的顯卡，顯卡不僅僅用來打游戲，可以用來進(jìn)行圖形渲染，它可以用來做大規(guī)模的并行運(yùn)算。如果沒有一個(gè)好的顯卡，可以用云端的服務(wù)（如圖3所列），服務(wù)不是免費(fèi)的，（比如充值，或者送禮）

圖3 好的顯卡云端服務(wù)

下面是深度學(xué)習(xí)的工具/框架（如圖4所列）

圖4 深度學(xué)習(xí)的工具

圖5（如瑞士軍刀）涵蓋從低層次的數(shù)據(jù)運(yùn)算（圖5）到拿來可以直接使用的模型（圖6）。（并且有最終的模型布置到移動(dòng)式設(shè)備或最終服務(wù)器如圖7，圖8）這樣可以優(yōu)化這些模型的運(yùn)行速度

圖5

圖6

圖7

圖8

如果想快速嘗試新的模型用下面的pytorch，（完全可以按照自己的喜好進(jìn)行選擇

更簡(jiǎn)潔，更容易

深度學(xué)習(xí)的框架和工具不只有上面2種，其他的深度學(xué)習(xí)框架包括（圖9所列）微軟的ONNX，Caffe,theano, Pytorch j界的鼻祖torch,以及Java的深度學(xué)習(xí)的框架。DL4J(Deep learning 4J)，這些是深度學(xué)習(xí)經(jīng)常用到的工具和框架。

圖9

百分之八十的深度學(xué)習(xí)用python，

up主的建議：

學(xué)習(xí)人工智能和機(jī)器學(xué)習(xí)前對(duì)整體最好有一個(gè)認(rèn)知。了解這個(gè)領(lǐng)域到底研究什么樣的問題，然后從實(shí)踐入手，遇到什么樣的問題，學(xué)習(xí)什么樣的知識(shí)。動(dòng)手實(shí)踐比折騰公式更有意義，更高效，最好先了解整體，再去學(xué)相關(guān)的基礎(chǔ)知識(shí)（比如，微積分，概率論，線性代數(shù)，機(jī)器學(xué)習(xí)等），