第1章　深度学习和PyTorch库简介

本章主要内容

• 了解深度学习如何改变我们在机器学习中所使用的方法。
• 了解为何PyTorch适合深度学习。
• 研究一个典型的深度学习项目。
• 了解要使用书中例子所需要的硬件配置。

人工智能这个定义模糊的术语涵盖了一系列学科，这些学科经历了大量的研究、推敲、困惑、梦幻般的炒作以及科幻小说般的“恐惧传播”。当然，现实要乐观得多。如果断言如今的机器正在学习人类任何意义上的“思考”，那是不符合实情的。相反，我们发现了一种通用的算法可以十分有效地近似复杂的、非线性的过程，我们可以用它来自动完成以前只有人类才能完成的任务。

例如，在talktotransformer网站上，一种名为GPT-2的语言模型可以一次生成一个词，从而生成连贯的文本段落。当我们向该模型输入一些单词时，它将产生以下内容：

Next we’re going to feed in a list of phrases from a corpus of email addresses, and see if the program can parse the lists as sentences. Again, this is much more complicated and far more complex than the search at the beginning of this post, but hopefully helps you understand the basics of constructing sentence structures in various programming languages.

虽然在这些内容背后没有一个明确的论题，但以上内容对于一台机器而言是非常连贯的。

令人惊喜的是，该模型执行这些以前只有人类才能完成的任务的能力是通过样本来获得的，而不是由人类将其编码为一组规则。在某种程度上，我们了解到的智能只是一个概念，我们经常将它和自我意识混为一谈，而自我意识绝对不是成功完成这些任务的必要条件。最后，计算机智能的问题可能都不重要。Edsger W.Dijkstra发现，“机器是否会思考”和“潜艇是否会游泳”的问题一样^[1]。

我们所讨论的一般算法属于深度学习AI的子类，深度学习是通过提供具有指导意义的例子来训练深度神经网络的数学实体。深度学习使用大量数据来近似输入和输出相距很远的复杂函数，如输入是图像，输出是对输入进行描述的一行文本；或输入是书面文字，输出是朗读该文字的自然语音。或者，更简单地说，把金毛猎犬（golden retriever）的图片和一个标志联系起来，告诉我们“是的，金毛猎犬在这里”。深度学习的能力使我们能够创建功能性更强的程序，但截至目前，这些能力都还是人类独有的。