理论

所谓人工智能是让机器具备人的思维和意识。

** 人工智能的三学派：**
1、行为主义：基于控制论，构建感知-动作控制系统。控制论如平衡、行走、避障等自适应控制系统。理解行为主义有一个很好的例子，让机器人单脚站立，通过感知要摔倒的方向，控制两只手的动作，保持身体的平衡，这就构建了一个感知、动作的控制系统。
2、符号主义：基于算术逻辑表达式，是基于表达式的，求解问题时先把问题描述为表达式，再求解表达式。在可用公式描述、实现理性思维，如专家系统。在求解某个问题时，可以使用if-case这样的条件语句和若干计算公式描述出来，这就使用了符号主义的方法。符号主义可以认为是用公式描述的人工智能，它让计算机具备了理性思维。但是我们人类，不仅具备理性思维，还具备无法用公式描述的感性思维，比如，看过一段视频，下次再见到，会觉得眼熟，这是人的直觉，是感性的，连接主义就是模拟人的这种感性思维，是在仿造我们人脑内的神经元连接关系。
3、连接主义：仿生学，模仿神经元连接关系。如脑神经元连接，实现感性思维，如神经网络。

人工智能的主流方向是连接主义。
基于连接主义的神经网络连接过程，人类神经随着年龄的增长不断发生变化，大量的数据通过视觉、听觉涌入大脑，使神经网络连接也就是这些神经元连接线上的权重发生了变化，有些线上的权重增强了，有些线上的权重减弱了，用计算机模仿出神经网络连接关系，让计算机具备感性思维，
1、准备数据，数据量越大越好
2、搭建网络
3、优化参数，通过反向传播，优化参数，直到模型的识别准确率达到要求，得到最优的连线权重，把模型保存起来。
4、应用网络，使用保存的模型，对从未见过的新数据，通过前向传播输出预测的概率值，概率值最大的一个就是分类和预测的结果。
tensorflow中的tensor就是张量，是多维数组、多维列表，张量可以表示0阶到n阶，即维数。

神经网络复杂度包括空间复杂度和时间复杂度。

学习率：表示参数每次更新的幅度，学习率过小，参数更新过慢，学习率过大，参数不收敛，一直在最优值附近浮动。那么学习率设置多少合适呢？在实际应用中，可以先使用较大的学习率，快速找到较忧值，然后逐步减小学习率，使模型找到最优解，比如指数衰减学习率=初始学习率*学习率衰减率，根据当前迭代次数，动态改变学习率的值（当前轮数/多少轮衰减一次）。