1.2　人工智能为何如此强大

在机器学习、深度学习、增强学习以前，编程是无须关心机器的经验，以前的编程是根据用户的经验，无法根据现有的数据或发生的事件改变程序，流程各方面一旦确定，无法根据已有的数据或个体的数据进行学习；而人工智能的核心能力是能从每次发生的事件中学习，并不断改进、优化，然后通过不断优化应对现在和未来的变化。科研界认为PyTorch比谷歌的TensorFlow好很多，因为PyTorch有个动态图的核心特性，每次学习完成以后可以动态地修改图；TensorFlow是业界主流的人工智能框架，TensorFlow使用静态图，特点是根据已有的数据学习完成以后就不能再修改。

人工智能从每次的经历中学习，用于下一次的行为改进。深度学习基于海量的数据完成这个过程，而增强学习是通过实时与环境进行交互，来完成这个过程。机器学习、深度学习、增强学习的算法如果不是从这个角度来考虑的，那一定是错的。

TensorFlow网站（http://playground.tensorflow.org/）是TensorFlow公司提供给人工智能学习者学习用的，图1-1所示为人工智能神经网络运作过程的可视化图。

从数据中提取特征，类似于大脑对信息的加工处理过程，即对特征进行加工处理。过去如果想在人工智能方面有所发展，必须熟练掌握微积分、线性代数、概率论、数理统计等数学知识，但现在TensorFlow、PyTorch等人工智能框架已经将这些深奥的内容通过Python、C、C++等编程语言实现了，因此使用者不需要对每一步进行具体的数学推导，只需知道数据是怎么流动的，各环节的处理过程，就可以直接拿过来使用。图1-2中左边是数据输入，将数据进行逻辑分类，分成两种颜色的点，例如哪些是垃圾邮件，哪些是有用的邮件，右边是分类输出结果。单击左上角的运行按钮之前，初始化的测试集损失度为0.509，训练集损失度为0.509，单击运行按钮，训练分类模型，查看损失曲线及数据流动的过程，图1-2中迭代到第644个时代（Epoch），测试集损失度变成了0.002，训练集损失度为0.001，这是一个非常不错的结果。例如预测是否是垃圾邮件，如果正确率只有50%，就太糟糕了，谷歌垃圾邮件的识别率已经达到了99.9%，意味着1000封的垃圾邮件识别中可能有几封是错的，大部分预测是正确的。

图1-1　TensorFlow可视化运行图

图1-2　训练集及测试集损失度