第2章　盘古人工智能框架多层次神经网络的实现

2017年3月21日，作者在硅谷，利用三个月的时间，于2017年6月22日实现了盘古人工智能框架，在该框架中实现了基本的ANN（Artificial Neural Network）和CNN（Convolutional Neural Network），那时还没实现RNN（Recurrent Neural Network），但是实现了另外两个特别重要的算法，一个是自动编码（AutoEncoders），还有一个是非监督学习玻尔兹曼机算法（Boltzmann_Machines），二者都跟推荐系统相关。对于深度学习中的算法，神经网络算法是必须掌握的，CNN、RNN等都是基于神经网络算法延伸出来的，包括自动编码算法，也是基于神经网络的算法延伸出来的。自动编码算法、玻尔兹曼机算法在实际中可用于推荐系统，在Facebook、谷歌、亚马逊的各种应用场景都可以看见推荐系统的身影；深度学习在图片识别、声音识别中可能暂时不那么重要。从2017年6月开始，用了将近10个月的时间，作者在自己开发的人工智能框架中试验了上述算法，这是做人工智能研究的核心能力之一。

研究TensorFlow、PyTorch的时候发现，TensorFlow、PyTorch和作者开发的人工智能框架思路是一样的，但在实现上有所不同。作者开发的人工智能框架满足了基本的神经网络的需要，如果要像TensorFlow、PyTorch那么强大，需要迭代很多个版本。我们将从最基础的一个版本，通过几次版本的迭代，达到自研的人工智能框架内核和TensorFlow、PyTorch的内核一致的程度。