本指南适用于所有人，因此不会涉及高等数学。
背景
人工智能（AI）与机器学习（ML）
人工智能是人类智慧在计算机中的体现。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
机器学习是指机器使用大型数据集而不是硬编码规则进行学习的能力。
机器学习允许电脑自己学习。 这种类型的学习利用了现代计算机的处理能力，可以轻松处理大型数据集。
监督学习与无监督学习
使用监督学习来训练AI时，你需要提供一个输入并告诉它预期的输出。
如果AI产生的输出错误，它将重新调整它的计算。 这个过程是在数据集上迭代完成的，直到AI没有更多的错误。
监督学习的一个例子是天气预报AI。它学习使用历史数据预测天气，训练数据包括输入（压力，湿度，风速）和输出（温度）。
无监督学习是指使用没有指定结构的数据集进行机器学习任务。
当你使用无监督学习训练AI时，可以让AI对数据进行逻辑分类。
无监督学习的一个例子是电子商务网站的行为预测AI。 它不会通过使用输入和输出的标记数据集来学习。相反，它会创建自己的输入数据分类，告诉你哪种用户最有可能购买某类产品。
深度学习工作原理
深度学习是一种机器学习方法。它允许我们训练AI来预测输出。
案例讲解：机票价格预测
使用以下输入来预测价格（为简单起见，这里不包括回程车票）：
- 出发机场
- 目的机场
- 出发日期
- 航空公司
神经网络
像动物一样，预估者AI的大脑有神经元，他们用圆圈表示。这些神经元是相互连接的。
神经元被分为三种不同类型的层：
- 输入层
- 隐藏层
- 输出层
输入层接收输入数据。 在所举例子中，我们在输入层有四个神经元：起飞机场，目的机场，出发日期和航空公司。 输入层将输入传递给第一个隐藏层。
隐藏层对我们的输入进行数学计算。 创建神经网络的挑战之一是确定隐藏层的数量，以及每层的神经元数量。
深度学习中的“深度”指具有多个隐藏层。
输出层返回输出数据。 在案例中，它可以提供价格预测。
那么它如何计算价格预测呢？
这就是深度学习开始发挥的地方。
神经元之间的每个连接都与权重相关联。 这个权重决定了输入值的重要性。 初始权重是随机设置的。
在预测机票价格时，出发日期是较重要的因素之一。 因此，出发日期神经元连接将占很大的权重。
每个神经元都有一个激活函数。 没有数学推理，这些函数就很难理解。
简而言之，其目的之一是“标准化”神经元的输出。
一旦一组输入数据通过神经网络的所有层，它就会通过输出层返回输出数据。
训练神经网络
训练AI是深度学习中最难的部分。
为什么？
- 你需要一个大型数据集
- 你需要大量的计算能力
对于机票价格的估算，首先需要找到机票价格的历史数据。 由于可能的机场和出发日期组合数量很大，所以我们需要大量票价清单。
为了训练AI，我们需要从数据集中向他它提供输入，并将它的输出与数据集的输出进行比较。 由于人工智能尚未经过训练，其输出结果会是错误的。
浏览整个数据集后就可以创建一个函数，向我们展示AI的输出与真实输出的差异。 这个功能被称为成本函数。
理想情况下的成本函数为零，也就是AI输出与数据集输出相同。
如何降低成本函数？
改变神经元之间的权重。可以随机更改，直到成本函数指很低，但这不是非常有效的办法。
还可以使用称为梯度下降的技术。梯度下降可以让我们找到函数的最小值。
它通过在每次数据集迭代之后以小增量改变权重来工作。 通过计算一定权重下的成本函数的导数（或梯度），可以看到最小值在哪个方向上。
为了最小化成本函数，需要多次遍历数据集——这就是为什么你需要大量的计算能力。
使用梯度下降更新权重是自动完成的。 这就是深度学习的神奇所在！
机票价格估算器AI训练完成后，就可以用它来预测未来的价格。
综上所述
- 深度学习使用神经网络模仿动物智能。
- 神经网络中有三种类型的神经元层：输入层，隐藏层和输出层。
- 神经元之间的连接与权重相关，规定输入值的重要性。
- 神经元对数据应用激活函数以“标准化”从神经元的输出。
- 为了训练神经网络，还需要一个大型数据集。
- 迭代数据集并与输出比较后将产生一个成本函数，表明AI离实际输出相差多少。
- 在数据集的每次迭代之后，使用梯度下降调整神经元之间的权重来降低成本函数。
作者：Radu Raicea
翻译：sugarain
原文：https://medium.freecodecamp.org/want-to-know-how-deep-learning-works-heres-a-quick-guide-for-everyone-1aedeca88076
更多趣味实验可以直接访问实验楼，在线实验环境操作方便，为大家定期更新最佳实验！(●'◡'●)
image
楼+课程咨询，欢迎添加班主任微信：
image
网友评论