开篇

当今在互联网混，不随口说出深度学习，人工智能，机器学习，神经网络等词，人家都怀疑是个假的互联网人了，但相信大部分没有深入接触这块知识的人来说，对于这几个概念，都还是傻傻分不清？

记得，自从AlphaGo那波，业界似乎对机器学习推到一个新的高度？？

本来是不太想沾这趟混水的，但是作为一名技术控，还是需要了解一下，至少也得对概念有点印象。

对于人工智能这块领域，笔者也还是一名小学生，如果对这块有不对的地方，请各位同学及时提出~

扫盲

深度学习，人工智能，机器学习，神经网络，这4个词在近几年出现的比较多，但是它们之间有什么关系呢？尤其，机器学习跟深度学习区别在哪里？？

人工智能，英文Artificial Intelligence，简称AI，那人工智能的目的是什么？

网上一大堆，好听的叫解放/发展生产力，解放人类，总的来说是提高效率！！！

但更通俗的理解就是帮助人们：偷懒!

比如当你说一句话时，机器能够识别成文字，并理解你话的意思，进行分析和对话等。

人工智能的核心在于智能两字，那智能怎么来的？主要归功于一种实现人工智能的方法--机器学习；

那目前人工智能的应用场景有哪些：OCR、语音技术（比如Siri）、大数据应用等。

机器学习：一种实现人工智能的方法！

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对事件做出决策和预测。

需要用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

举个例子，当浏览网上商城时，经常会出现商品推荐的信息。

这是商城根据往期的购物记录和冗长的收藏清单，识别出这其中哪些是真正感兴趣，并且愿意购买的产品。

这样的决策模型，可以帮助商城为客户提供建议并鼓励产品消费。

机器学习通常分为三类：

第一类是无监督学习，指的是从信息出发自动寻找规律，并将其分成各种类别，有时也称"聚类问题"。

第二类是监督学习，监督学习指的是给历史一个标签，运用模型预测结果。

如有一个水果，我们根据水果的形状和颜色去判断到底是香蕉还是苹果，这就是一个监督学习的例子。

最后一类为强化学习，是指可以用来支持人们去做决策和规划的一个学习方式，它是对人的一些动作、行为产生奖励的回馈机制，通过这个回馈机制促进学习，这与人类的学习相似，所以强化学习是目前研究的重要方向之一。

深度学习：一种实现机器学习的技术

深度学习是机器学习的一个子领域，是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入；

深度学习的核心是，我们现在有足够快的计算机和足够的数据来实际训练大型神经网络

三者的区别和联系：
机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。

神经网络：是一种机器学习的算法

以“停止（Stop）标志牌”为例，将一个停止标志牌图像的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、消防车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网络的任务就是给出结论，它到底是不是一个停止标志牌。神经网络会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。

神经网络是需要调制、训练的，不然会很容易出错的。

OK，讲到这里，相信大家对几者之间的概念已经有所了解了，至少知道这些是什么东西了。

简单总结下：

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术，神经网络是一种实现机器学习的算法！

TensorFlow简介

TensorFlow是Google在2015年11月份开源的人工智能系统，由Google Brain团队的研发人员负责，该系统可以被用于实现机器学习和深度学习、语音识别、图片识别等多个领域。

官网对TensorFlow的介绍是一个使用数据流图技术来进行数值计算的开源软件库。

• 数据流图中的节点，代表数值运算；
  
• 节点节点之间的边，代表多维数据(tensors)之间的某种联系。
  
• 可以在多种设备（含有CPU或GPU）上通过简单的API调用来使用该系统的功能。
  

官网地址：https://github.com/tensorflow/tensorflow

什么是数据流图？

数据流图是描述有向图中的数值计算过程。有向图中的节点通常代表数学运算，但也可以表示数据的输入、输出和读写等操作；有向图中的边表示节点之间的某种联系，它负责传输多维数据(Tensors)。

节点可以被分配到多个计算设备上，可以异步和并行地执行操作。因为是有向图，所以只有等到之前的入度节点们的计算状态完成后，当前节点才能执行操作。

TensorFlow的特性

• 灵活性，TensorFlow不是一个严格的神经网络工具包，只要你可以使用数据流图来描述你的计算过程，你可以使用TensorFlow做任何事情。你还可以方便地根据需要来构建数据流图，用简单的Python语言来实现高层次的功能。
  
• 可移植性，TensorFlow可以在任意具备CPU或者GPU的设备上运行，你可以专注于实现你的想法，而不用去考虑硬件环境问题，你甚至可以利用Docker技术来实现相关的云服务。
  
• 提高开发效率，TensorFlow可以提升你所研究的东西产品化的效率，并且可以方便与同行们共享代码- 支持语言选项，目前TensorFlow支持Python和C++语言。
  
• 充分利用硬件资源，最大化计算性能。
  

TensorFlow最新版本为2.0，在TensorFlow2.x中摈弃了TensorFlow 1.x的诸多弊病，进一步整合TensorFlow和Keras，号称能像Numpy一样畅爽运行，快速、可扩展、可投入生产。

目前，TensorFlow包含开源的创新和社区参与，同时也具有大公司的支持，指导和稳定性。

正是因为有着大量的优势，TensorFlow适合个人和企业，从初创公司到大型公司，以及Google。即从2015年11月开源以来，TensorFlow已经成为最为令人兴奋的机器学习库之一。它被越来越多地应用到研究，生产和教育中。

TensorFlow安装

如果你已经安装了Python（或者是为了学习TensorFlow的目的安装的），你可以通过下面的pip安装：

pip install tensorflow

但是，这个方法的坏处在于，TensorFlow会覆盖现有的包，并安装特定的版本来满足依赖性。

如果你要使用这个Python来做其他用途的话，这个方法是不可行的。一个常见的做法就是在虚拟环境中安装TensorFlow，通过一个叫做virtualenv的软件实现。这取决于你的环境，你可能不需要在你的机器上安装virtualenv。要安装virtualenv的话，输入：

pip install virtualenv

可查看http://virtualenv.pypa.io 获取更多的操作指南。

为了在虚拟环境中安装TensorFlow，你必须要先创建虚拟环境，例如将其放在~/envs目录中，可以随意放在你喜欢的任何地方。

cd ~mkdir envsvirtualenv ~/envs/tensorflow

这会在~/envs目录下创建一个名为TensorFlow的虚拟环境（会展现为~/envs/tensorflow目录的形式）。启动这个虚拟环境，使用：

source ~/envs/tensorflow/bin/activate
mkdir envs
virtualenv ~/envs/tensorflow

提示会发现变化表明环境已经启动了，再使用输入pip的安装命令：

(tensorflow) pip install tensorflow

上面是CPU的版本，或者是安装GPU的版本：

pip install tensorflow-gpu

更多详细的安装介绍可参考：

https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/os_setup.md

TensorFlow第一个示例

现在，我们已经安装并设置好了TensorFlow的环境。开始写一个简单的TensorFlow的程序吧，打印当前TensorFlow版本、计算1+2的值，并将“Hello”和“World”结合起来，显示出字段——“HelloWorld”。

import os
import tensorflow as tf
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'
print(tf.__version__)
print(tf.add(1, 2).numpy())
hello = tf.constant('Hello, TensorFlow!')
print(hello.numpy())

如果在运行过程中，提示：

这是因为tensorflow默认分布是在没有CPU扩展的情况下构建的，例如SSE4.1，SSE4.2，AVX，AVX2，FMA等。默认构建（来自pip3 install tensorflow）可以与尽可能多的CPU兼容。如果没有GPU，并希望尽可能利用CPU的资源。

可以在最顶行增加如下代码

import os  
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息  
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error   
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Error