我们所谓的人工智能算法就是整个机械嵌入了目前的算法后，目前的机械就拥有了人所具有的基本能力，好比不雅察、思考、学习、缔造等，本文要说的就是目前的算法。

人工智能算法主要由两部份组成：深度学习（DeepLearning）和强化学习(ReinforceLearning)

深度学习

深度学习就是多层人工神经网络。

整个神经网络中有三种神经元层，即输入层、隐蔽躲藏层和输出层。输入层就是机械的输入数值，好比我们问它："你吃了吗？"，而隐蔽躲藏层就是对这句话的特点提取和阐明的过程，机械想我今天到底有没有吃，然后输出层就是结果，好比机械人说:"吃了"，就是输出层。

强化学习

强化学习尚于创立了整个机械与环境交互的过程。

强化学习主要包括两个部份，整个是Agent，就是机械。整个是E负量指数ronment环境。对Sgent来讲，外面的任何事物包括天气、光线、张三、李四都是环境。比现在天E负量指数ronment很冷，就是E负量指数roment当前经常的State是“冷”，现在Agent机械知道了有点冷，它就执行了整个Action动作，把衣服脱了。然后环境就知道了机械把衣服脱了，天冷了脱衣服不对啊，所以E负量指数roment环境就给了Agent整个负的Reward，由于它的Action不对。然后E负量指数ronment又给了Agent当前经常的State：“冷”，这时间Agent吸收上次的教训，就把衣服穿上了。E负量指数ronment知道Agent把衣服穿上了，是个确切的行动，所以就给了Agent正的Reward。所以以后环境冷的时间，Agent就知道要穿衣服了。

神经网络基本告终

神经网络的基本单元：神经网络的基本单元就是神经元，第一层的神经元是我们的输入数值，是已知的。第二层每个神经元尚于整个函数，它接收输入值x，通过函数映照获得输出值y，然后把y作为下一层的x。这样依次类推，到最后一层，获得最后一层的值。

神经网络的素质：就是整个分类算法，所谓的分类算法就是整个公式，按照不同的输入X，经分类算法映照获得的Y就是分类结果。就像我们输入猫的图形，获得的就是整个猫的标签或者狗的预测，这就是分类。

神经网络的简化表达：y=ax+b，y是分类结果，同时y也被称为预测值，x是输入值，a和b是公式参变量。

神经网络的方针：调剂a,b的值，使预测值和真值愈来愈离得近，直到它们的差值小于等于我们设定的阈值。其中真值就是上级说的图形的标签，预测值就是公式的结果y。

神经网络的告终主要两个步骤：一是网络的搭建，二是网络的操练。

网络的搭建就是我们的神经网络要设计成几层，每层有几多个神经元，层与层之间是怎样连接的。我们认识的肯定层数越多，神经元越多，目前的神经网络越强大。但是当太多的时间会泛起整个过拟合的现象。就是随着层数增多，结果不一定就越好，要按照激活函数、正则项、层与层的连接体例等结合起来斟酌。

网络怎样操练呢，我们就拿已贴好标签的猫狗的图形来操练。猫的图形我们就贴标签“猫”，狗的图形我们就贴标签为“狗”。首先我们把猫的图形输入到神经网路中，若是神经网络判定目前的图形是猫，那就不去管神经网络内部的参变量，若是神经网络判定猫的图形是狗，那就使用反向传播算法除旧布新神经网络的参变量。除旧布新原则就是最小化真值和预测值之间的差值。

网络搭建好，神经网络的模型操练好之后，就能够拿模型来辨认是猫狗的图形了。

其实个人不雅点是，深度学习还是在强化学习的范围内的。现阶段来看强化学习仍然是人工智能的top-lev《妖精的旋律》算法，至于匹敌生成网络，客岁火起来，本年进展不大，却是基于强化学习的AlphaGo突飞猛进。至于什么时间能够发现出超强的人工智能算法，让我们拭目以待吧！