机器听不懂我们人类语言，我们得用数学语言向它描述问题，这就叫“建模”。
Google研发了十年自动驾驶后，终于在本月上线了自动驾驶出租车服务。感谢“深度学习”技术，人工智能近年来在自动驾驶、疾病诊断、机器翻译等领域取得史无前例的突破，甚至还搞出了些让人惊艳的“艺术创作”：
Prisma把你的照片变成艺术作品
AI生成的奥巴马讲话视频，看得出谁是本尊吗？
开源软件style2paints能自动给漫画人物上色
如果不了解其中的原理，你可能会觉得这是黑魔法。
但就像爱情，“深度学习”虽然深奥，本质却很简单。无论是图像识别还是语义分析，机器的“学习”能力都来源于同一个算法—梯度下降法(GradientDescent)。要理解这个算法，你所需要的仅仅是高中数学。在读完这篇文章后，你看待AI的眼光会被永远改变。
一个例子
我们从一个具体的例子出发：如何训练机器学会预测书价。在现实中，书的价格由很多因素决定。但为了让问题简单点，我们只考虑书的页数这一个因素。
在机器学习领域，这样的问题被称为“监督学习(SupervisedLearning)”。意思是，如果我们想让机器学会一件事（比如预测书的价格），那就给它看很多例子，让它学会举一反三（预测一本从未见过的书多少钱）。其实跟人类的学习方法差不多，对吧？
现在假设我们收集了本书的价格，作为给机器学习的例子。大致情况如下：
接下来我们要做两件事：
告诉机器该学习什么；等机器学习。
告诉机器该学什么
为了让机器听懂问题，我们不能说普通话，得用数学语言向它描述问题，这就是所谓的“建模”。为了让接下来的分析更直观，我们把收集回来的例子画在数轴上：
我们希望机器通过这些样本，学会举一反三，当看到一本从未见过的书时，也能预测价格。比如说，预测一本页的书多少钱：
页的书多少钱？
观察图表，我们能看出页数和书价大致上是线性关系，也就是说，我们可以画一根贯穿样本的直线，作为预测模型。
如果我们把页数看作X轴，书价看作Y轴，这根直线就可以表示为：
w决定直线的倾斜程度，b决定这根直线和Y轴相交的位置。问题是，看起来有很多条线都是不错的选择，该选哪条？换句话说w和b该等于多少呢？
每根直线都是一个候选的模型，该选哪个？
显然，我们希望找到一根直线，它所预测的书价，跟已知样本的误差最小。换句话说，我们希望下图中的所有红线，平均来说越短越好。
红线的长度，就是模型（蓝色虚线）预测的书价，和样本书价（蓝点）之间的误差
红线的长度等于预测书价和样本书价的差。以第一个样本为例，55页的书，价格69元，所以第一根红线的长度等于：
因为绝对值不便于后面的数学推导，我们加个平方，一样能衡量红线的长度。
因为我们的预测模型是：
所以这个样本是一本55页，69元的书。
算式开始变得越来越长了，但记住，这都是初中数学而已！前面提到，我们希望所有红线平均来说越短越好，假设我们有个样本，用数学来表达就是：
至此，我们把“预测书价”这个问题翻译成数学语言：“找出w和b的值，使得以上算式的值最小。”坚持住，第一步马上结束了！
我们现在有2个未知数：w和b。为了让问题简单一点，我们假设b的最佳答案是0好了，现在，我们只需要
转载请注明：http://www.0431gb208.com/sjszlfa/3594.html
