一起学习tensorflow（一）

高屋建瓴，统领全局，学习tensorflow。

对现在的职业人士来说，学生时期的知识，对现在的自己来说，似乎看起来简单了很多，但是自己却并没有去深入学习，能够更好理解的原因就在于：知道了更多周边信息，对知识的理解有了前因后果参照物。

所以我把学习tensorflow的过程记录了下，重要的是把人工智能的历史进行了翻译，所以对tensorfow的基础理解程度更深。当然，coding过程中的。每一步，每一句代码，每犯的一个错都记录了下来。

欢迎mark [learn-ai](https://github.com/ifredom/learnig-ai)

==============================================================

什么是人工智能（AI）？

这是研究使计算机智能运行的方法。粗略地说，计算机是智能的，只要它做正确的事情而不是错误的事情。正确的事情是最有可能实现目标的任何行动，或者在更多技术术语中，最大化预期效用的行动。AI包括学习，推理，计划，感知，语言理解和机器人等任务。

常见的误解

这是一项特定的技术。例如，在20世纪80年代和90年代，人们常常看到将AI与基于规则的专家系统混淆的文章; 在2010年代，人们看到AI与多层卷积神经网络相混淆。这有点像用蒸汽机混淆物理。人工智能领域研究在机器中创造智能的一般问题 ; 它不是 对该问题的研究产生的具体技术产品。

这是一类特定的技术方法。例如，通常看到作者用符号或逻辑方法识别AI，并将AI与“其他方法”（例如神经网络或遗传编程）进行对比。AI不是一种方法，这是一个问题。任何解决问题的方法都算作对AI的贡献。

这是一个特殊的研究团体。这涉及前面的误解。一些作者使用术语“计算智能”来指代使用诸如神经网络，模糊逻辑和遗传算法等方法的所谓的不同研究团体。这是非常不幸的，因为它促使研究人员只考虑在他们的社区内接受的方法而不是有意义的方法。

AI是“只是算法”。这并非严格意义上的错误，因为算法（松散定义为程序）当然是AI系统的组成部分，以及计算机的所有其他应用程序。但是，AI系统解决的任务类型往往与传统的算法任务有很大不同，例如排序数字列表或计算平方根。

AI如何使人类社会受益？

人类文明所提供的一切都是我们智慧的产物。人工智能提供了一种沿着各种方向扩展智能的方法，就像人类的智慧产物起重机允许我们携带数百吨的的重物，飞机允许我们以每小时数百英里的高速移动，望远镜让我们可以看到数万英里之外的东西。如果设计得当，人工智能系统可以更好地实现人类价值。

常见的误解

人工智能必然是非人化的。在许多反乌托邦的情景中，AI被一些人滥用来控制他人，无论是通过监视，机器人警务，自动“正义”还是AI支持的命令和控制经济。这些肯定是可能的未来，但不是绝大多数人会支持的。另一方面，人工智能为人类提供了更多的人类知识和个人学习机会; 消除人民之间的语言障碍; 并消除了无意义和重复的苦差事，使人们失去了机器人的地位。
人工智能必然会增加不平等。让人类的工作自动化当然有可能将收入和财富集中在越来越少的人手中。但是，我们可以选择如何使用AI。例如，通过促进合作并将生产者与使用者联系起来，它可以允许更多的个人和小团体在经济中独立运作，而不是依赖于大公司的工作。

什么是机器学习？

它是人工智能的一个分支，它探索了让计算机根据经验提高绩效的方法。

常见的误解

机器学习是一个很大程度上取代AI的新领域。这种误解似乎是近期机器学习兴趣的增长以及大量学生在没有接触过AI的情况下参加机器学习课程的偶然副作用。机器学习一直是人工智能的核心话题：图灵的1950年论文假定学习是人工智能的最有可能的途径，而人工智能最早期的成功，塞缪尔的棋盘游戏，是使用机器学习构建的。
机器无法学习，它们只能做程序员告诉他们做的事情。显然，程序员可以告诉机器如何自主学习！塞缪尔是一个可怕的跳棋运动员，但他的计划很快就学会了比他更好。目前，人工智能的许多重要应用都是通过将机器学习应用于大量训练数据来构建的。

什么是神经网络？

神经网络是一种受生物神经元基本属性启发的计算系统。神经网络由许多单独的单元组成，每个单元接收来自某些单元的输入并将输出发送给其他单元。（单元不需要任何单独的物理存在;它们可以被认为是计算机程序的组成部分。）单元的输出通常通过获取输入的加权和并通过某种简单的非线性传递总和来计算，转换。关键属性是可以根据经验修改与单元之间的链接相关联的权重。

常见的误解

神经网络是一种新型计算机。实际上，几乎所有神经网络都是在普通的通用计算机上实现的。有可能设计专用机器，有时称为神经形态计算机，以有效地运行神经网络，但到目前为止，他们还没有提供足够的优势来支付成本和施工延迟。
神经网络就像大脑一样工作。事实上，真正的神经元比人工神经网络中使用的简单单元要复杂得多; 有许多不同类型的神经元; 真正的神经连接可以随时间变化; 除了影响行为的神经元之间的通信之外，大脑还包括其他机制; 等等。

什么是深度学习？

深度学习是机器学习的一种特殊形式，涉及训练具有多层单元的神经网络。它近年来变得非常流行，并且已经导致诸如视觉对象识别和语音识别之类的任务的显着改进。

常见的误解

深度学习是一个很大程度上取代机器学习的新领域。事实上，深度学习已经在神经网络社区中存在了20多年。最近的进步是由算法和模型的一些相对较小的改进以及大数据集和更强大的计算机集合的可用性推动的。