大多数人不知道神经网络如此简单-电子发烧友网

经常有人告诉我他们使用人工智能取得了多么令人瞩目的成就。其实，这里面有99%的东西都很蠢。

这篇文章可能会被认为夸夸其谈，但这并不是它的本意，它只想指出为什么以前人工智能专家很少，现在突然涌现出如此多的专家。

大多数专家貌似都很专业，这是因为很少有人知道他们是怎么操纵AI的。本文就旨在“揭露”他们的内幕。

1.从零开始建立一个神经网络，并让它在手机上运行

你如果能将这11行Python代码轻松地转换为Java、C或C++代码，就已经掌握了交叉编译器在3秒内可以完成的工作。

大多数人不知道神经网络如此简单。他们认为神经网络是超级复杂的。就像把复杂图形分解成无数个简单图形一样，神经网络也可以做一些看起来很复杂的事情，但是这种复杂性来自重复和随机数发生器。

2.建立一个20层的神经网络

你拿了上面的代码，然后再次循环。接下来比较难的是，决定把下一个“For”和“：”放在哪儿。

“深度学习”和深度的n层只是一个输入输出贯穿于自身的神经网络。因为你在不断地循环再循环，所以它被称为循环神经网络（RNN：Recursive neural networks）。

这些不断重复的动作与你学习驾驶有些类似，假如你只学会了右转弯，上路后只要遇到路口你就右转，你就可以去自己想去的地方。虽然这样做效率不高，但我们知道右转弯比左转弯更容易。

3.使用英伟达的GPU训练一个神经网络，并移至手机

在上述11行代码中，错误（或未实现）的是种子没有设置。没有设置种子，就不能保证第二次循环会像第一次循环一样获得相同的随机数，也就不能保证出现明显不同的结果。由于你的手机和电脑不能给出相同的随机数，而且不同的手机芯片之间可能都有不同的随机数，所以将基于GPU的训练移植到移动端很不现实。

这样的训练要花费数以亿计的时间，因此为手机建立一个神经网络几乎是不可能的。设备之间也始终存在差异，对于语音识别来说，识别率增加或者减少5％不是什么大问题，而对癌症检测或诊断等事情来说，这就是一件大事了。

4.训练神经网络去做人类无法做到的事

神经网络其实就是个愚蠢的黑匣子。如果你有足够的时间和精力运行它，就会得到比较合适的测试数据，但你不会从随机源测试中得到很好的结果。人工智能非常擅长伪关联，比如，把肯塔基州的结婚率和溺水率相关联。

人们总希望人工智能可以创造奇迹，但大部分AI并不能做人类也做不到的事情。虽然有一些例外，但仅限于透明的AI，而神经网络是个黑匣子。

5. 使用TensorFlow

还记得上面的那十一行代码吗？TensorFlow只是这11行代码的包装品。它帮你可视化了这11行代码中发生的事情。很多时候，它就像谷歌分析一样。谷歌分析需要的数据都可以在服务器日志中找到，但是大多数人看不懂这些日志，他们只能看明白谷歌分析。与此同时，谷歌分析会告诉你，你的服务器速度很慢，但它不会告诉你原因。

我们这些了解神经网络的人不需要TensorFlow，因为我们不需要花哨的图表和动画来可视化数据，我们需要看原始数据和代码，才能找出服务器变慢等问题的原因。

6.把神经网络用于NLP/ NLU

关于人类一些常识性的东西，神经网络的interwetten与威廉的赔率体系能力并不比鼻涕虫的高多少。

为英语中的每个单词构建一个具有单一特征的神经网络，它需要的计算能力和谷歌拥有的计算能力一样多。在英语中，若把每一个词的每个意义都赋予一个特征，就需要地球上所有的云服务都来计算，这显然是不可能的。人工智能可以做伟大的事情，但神经网络是有局限性的。

7.有一个自定义的神经网络

恭喜你，你已经知道如何将11行的神经网络代码包装在9行代码中，用于遗传算法，或包装在44行代码中，用于分布式进化算法。你可以用55行代码写一篇新闻稿，等等。

8.训练一个神经网络做事

你现在成了一个数据驾驭者，就如同一个训狗师一样。只要你的狗长着一个鼻涕虫脑袋，你就可以多次重复训练它。

同理，拥有一个数据训练集也没有捷径，只能靠这种单调笨拙的方法。虽然外界很难了解你的所作所为，但你不要欺骗自己（或者其他人），你只不过是一个鼻涕虫训练师而已。

9.把神经网络和区块链结合

恭喜你，你终于知道炒作堆栈了。不幸的是，哈希挖掘和神经网络没有任何共同之处，并且，用区块链节点运行所有数据集是行不通的。

当你用正常大小的数据集以超过16种方式“切片”负载时，神经网络开始出现问题。如果你有数十亿的数据记录，或者你在做反向传播，想要测试多种数据表示顺序，是可以进行更大扩展的，但这些不能扩展到数百万个节点中。