帶你學AI(二)
人工智慧的Hello World--入門
不管你學的是什麼語言，第一個程式肯定是Hello World。
從在螢幕上打出這行字開始，你就進入了這個語言的世界。
如果你寫的是java，那麼程式碼就是
System.out.println("Hello World!");
如果你是用python寫的，那麼就是
print('Hello World!')
但如果你寫的是人工智慧，那麼第一個需要學會寫的程式是什麼呢？
MNIST
如果你對AI有所瞭解，或者學習過深度神經網路，那麼對MNIST應該不陌生。
MNIST是一個數據集，它不包含任何程式碼邏輯，只包含兩部分
· 一堆 28 * 28 的手寫圖片
· 對應每張圖片的一個標籤
因為這個資料集的資料足夠簡單，所以它經常被用來作為AI入門的工具。它的每一張圖片都歸一化到了28x28的大小，而且只有灰度值，是單通道資料。
通常來說，一張jpg圖片的每一個畫素都有RGB三種色值，我們也稱之為3通道。如果一張圖片只有黑色和白色，並且沒有灰度的話，那麼我們用1跟0就可以描述每個畫素點的黑或者白了。
MNIST就是這麼一個數據集，如果你把它的每一張圖片資料轉成jpg儲存下來的話就像下面這張圖片一樣。
標籤是和每一張圖片對應的，比如對應上面的圖片，從MNIST裡取出來的標籤是
label[4]{5, 0, 4, 1}
我們要寫的第一個人工智慧Hello World，就是用MNIST資料集來實現的。
第一個Hello World
人工智慧做的事情基本可以分為兩個，分類和預測。
對於MNIST資料集來說，我們想要寫一個AI網路，這個網路能夠自動識別每一張圖片的數字是什麼。網路的輸入是28x28畫素的圖片，輸出則是一個長度10的浮點陣列。
這裡思考個問題，為什麼輸出是一個長度10的陣列，而不是單個值？
其實對於分類問題都是這樣的，AI最終輸出的是一個概率分佈，而不是一個直接的分類結果。雖然說我們也可以通過程式碼技巧讓最終結果只有一個值，但明白這一點很關鍵，就是AI的輸出是一個概率。
具象點地解釋，假設我們把一張圖片給AI進行分類，它的輸出假設是下面這樣子
[0.1, 0.1, 0, 0, 0, 0, 0, 0, 0, 0.8,]
AI認為這張圖片有10%的概率是0，10%的概率是1，還有80%的概率是9。這就是為什麼AI的輸出是一個10維向量的原因了。
說完了輸出和輸出，還缺兩個東西才能構成一個AI網路，分別是
· 網路結構
· 評價函式/損失
評價函式
對於很多初學者來說評價函式是個很難的點，學習它的過程中涉及很多高等數學知識。但對於MNIST分類網路來說不需要太高深的東西，只要能明白一些基本的加減乘除就行了。
什麼是評價函式呢，有些材料把它稱為cost,也有叫lost的。其實他們都在描述同一個問題，就是網路分類結果跟正確結果之間的誤差。
神經網路的訓練是這麼個過程，有點像隔壁鄰居的孩子學鋼琴。剛開始學的時候彈的一塌糊塗，一個音都沒彈對。這個時候鄰居孩子彈出來的曲子跟正確的曲子之間會有一個誤差，我們就可以把這個誤差認為是評價函式，或者也可以叫損失。
每彈完一次，鄰居家長對孩子彈的曲子做一個評價，根據評價結果對孩子做出不同的懲罰。錯的太多的話就加大懲罰力度，錯的少的話就小力度懲罰。如果彈對了那懲罰為0。
一個AI網路的訓練過程就是這麼回事。通過不斷地縮小網路輸出和正確值之間的誤差來完成訓練。最終達到目標，神經網路的預測結果跟實際結果一致。
基於MNIST資料集的評價函式計算的是預測結果和標籤之間的差距，下面的資料第一行是預測結果，第二行是標籤
pred: [0.1, 0.1, 0, 0, 0, 0, 0, 0, 0, 0.8,]
label: [0, 0, 0, 0, 0, 0, 0, 0, 0, 1,]
對於這種資料，有一種專門的評價方法叫做交叉熵。交叉熵本身是屬於資訊理論中的一種手段，用來評價兩個概率區間的差異。那麼當然它也可以用來對AI的分類結果和正確結果之間的差異性進行評價。我們先不要去關心交叉熵的數學實現是怎樣的，先記住它計算的結果表明的是 pred和 label之間有多不一樣。
網路結構
深度學習的網路結構千變萬化。每年在深度學習領域的論文有幾百上千篇，幾乎每一篇都有一個不同的網路結構。但總的來說，不管是什麼網路都由基礎的幾個構成
· 全連線
· 卷積
· 迴圈卷積
在MNIST資料集上我們只需要用到全連線網路，更復雜的網路雖然能帶來更準確的結果，但同時也增加了相應的記憶體和空間開銷。作為一個Hello World標準的例子，全連線足夠我們用來練手了。
（未完待續。。。）