人工智能代码到底长什么样？

虚竹在想念自己梦姑的时候，好歹还有梦境作为记忆碎片。而那些让人许多AI公司爆火的、融资拿到手软的AI代码是不是也如某国公主一般呢？直到笔者看到这两张图：

当然以上纯属玩笑，在QUORA上，一位毕业于印度理工学院人工智能与计算机科学专业、工作于Facebook的工程师Sriraman Madhavan。

写了这么一个答案：

这是我写的一个案列：根据名字来确定你是来自印度哪个地区的。根据你名字的不同状态，可以判定你的家庭人员情况，以下是代码片段：

下面这个代码不是我写的，这是个谷歌根据图片生成描述文字的创新。下面是根据图片生成描述的案例：

但等等！别高兴得太早，就上面这个代码也引发了啼笑皆非的笑话。

如果调教不好，AI可能有点愚蠢。

下面再看一个复杂的例子：（作者：Mikkel Duif）

我们必须记住，AI主要只是一堆数学逻辑（尤其是在讨论机器学习和深度学习时）。编码的作用只是让计算机去执行它，并从数据中得以学习。我认为要知道AI代码长什么样，并不是要了解背后代码的外观，和如何编写代码，而是要更多理解代码中到底发生了什么。

比如，我们如何创建能够识别MNIST数据库中这些手写数字的东西呢？

如下图，只是一些Python代码，背后有很多数学逻辑。[1]

是不是看完头皮发麻？

我自己都觉得很难理解它。

这到底是个什么玩意儿？其实就是数学逻辑。

每个手写数字由28*28像素组成，那么就共有784个像素。且每个像素都被用作神经网络的输入，我们用它来训练网络。每个像素都被认作为一个输入，并通过中间隐藏层，也就是下图中的15个神经元。经过那里，我们将得到最有可能的数字估计。

即我们就会得出哪个数字的激活率最高。这种感觉就如同下图：[2]

那么我们在执行代码时会发生什么？我们所建立的网络类型称为前馈神经网络，这意味着所有数据都在一个方向上。我们使用反向传播算法来计算我们当前数据的误差，通过更改设置并在此运行神经网络。

我们得出这样的输出：

从中可以看出，在第一轮中，我们神经网络能够正确地对51%的数字进行分类，通过训练最终正确率能达到81%。相当不错的改进吧？随机猜测数字会给你10%的准确率！精度还可以进一步提高，只需要更多的计算能力。此外，对代码的更改还可以优化学习速度。使用普通计算机，你可能就会获得低于4%的错误率，而最佳结果是错误率低于1%。[3]

我们在这里做了什么？

这行代码中，我们告诉网络：

1，784个输入神经元；

2，30个隐藏层；

3，10个输出神经元。

其次，我们使用一种随机梯度下降的方法来训练我们的网络，并“降低我们的成本”。

（备注：关于随机梯度下降法，各位看官请自行搜索。）