7.3　前向传播算法实现及其和TensorFlow的算法对比

接下来总结一下盘古人工智能框架前向传播算法的实现：

盘古人工智能框架使用前向传播算法实现前向传播的预测效果，这和TensorFlow可视化图的运行效果是一样的：在TensorFlow中输入数据，然后提取特征，经过隐藏层计算，到达输出层。Neuron_Network_Entry.py的输入数据是实例集，该实例集是二维数组，当然也可以使用外部文件，用一个函数读取文件里面的数据；也可以将二维数组的状态变成矩阵的状态，因为盘古人工智能框架开始时没有使用矩阵。输入数据以后提取特征，这里的特征是将第一列和第二列进行异或操作，只有第一列元素和第二列元素不一样的时候，第三列才是1。盘古人工智能框架强大之处在于预先并不知道第三列的值，是根据第一列、第二列的关系进行计算，将预测结果和实际结果进行对照，然后调整第一列、第二列，逐渐凸显第一列和第二列的关系，最后得出一个预测结果。预测结果趋近于实际值，如图7-7所示。

图7-7　前向传播的运行效果

TensorFlow的可视化图中，从左到右，先在输入层提取特征（CNN框架能自动提取图像的特征，这是深度学习带来最大的便利之一，传统的机器学习很多时候无法自动提取特征，而提取特征是过去机器学习工程最消耗时间的地方，性能调优等只是业界固定的最佳实践）；然后进入隐藏层，可以使用3个隐藏层，也可以使用2个隐藏层（前面我们分别演示了有3个隐藏层、2个隐藏层、1个隐藏层的情况，有3个隐藏层时神经元的个数是[8,4,2]，有2个隐藏层时神经元的个数是[4,2]，有1个隐藏层时神经元的个数是[3]）；最后到达右侧的输出层，得到一个结果。

不同隐藏层的计算速度和精确度是不一样的。深度学习另一个几乎完胜其他机器学习算法的地方在于隐藏层，由于隐藏层的存在，深度学习的算法远远超越了机器学习的算法。深度学习的两个巨大优势：一是特征的自动提取，因为特征提取对人而言是最繁重的体力劳动；二是隐藏层带来的训练效果远远比机器学习的效果好。基于这两点，读者就不应以普通的机器学习算法作为目标，而要以深度学习作为目标。