几个入门移动端AI的基础知识

昨天的文章很多人反馈说太水了，真正的干货没有，水文一篇。

AI的知识面实在太广了，想要一篇几百字的文章就能入门其实很难，而且很多知识其实都需要数学基础，要是跟大家说上一天怎么计算函数的导函数，估计能劝退一大波人。

所以“AI学习大纲”这个的重点在于里面每个Step提到的概念，关键字。

像 卷积网络，激励函数，SoftMax，矩阵运算。

如果你是一个自学能力非常强的人，基本靠着这些关键字按图索骥就可以学会AI。

当然如果想看点干货，那么就得从MNIST开始。

先熟悉几个名词，几个新概念，这些是学习AI的基础入门知识。

为了方便还可以有视频可以看，这个视频前两节是免费的，想熟悉一些基本知识的可以参考。

http://www.ai-course.cn/course/13

MNIST

MNIST是由六万多张图片组成的一个数据集。图片都是24*24像素的 0~9 的单个手写数字。 除了数字图片之外，还有跟图片对应的标签，表示这张图片上的数字是多少。

这些图片比较特殊，都只有单通道，所有的像素只有1和0两个数字其中一个构成，所以他们其实是一堆黑白图片。

AI的入门教程都是用MNIST来做学习，因为MNIST足够简单，也能满足整个AI开发的所有需要。

Tensorflow

Tensorflow 其实是一个框架，就跟Android，Cocoa，Spring一样，它的底层是用C++写的推理框架，上层则提供了 python 接口用来开发。

像Tensorflow这样的框架还有很多，Pytorch, Keras, Caffee，在AI领域都是常用的框架。Tensorflow 因为推出的时间久，稳定性和兼容性各方面都比较优秀，所以最常使用。

关键在于我们移动端开发它也支持，Tensorflow推出了 Tensorflow-Lite，专门为移动端AI开发。可以在Github上找到Tensorflow项目的 lite 目录，就是现在Android上用的AI推理框架。

第一个简单的AI

我们设计的第一个AI其实非常简单，它只能达到89%的准确率，因为仅仅使用一些非常基础的单层网络结构进行识别。

首先我们从MNIST里拿一个图片，然后对它进行全连接运算，然后跟这个图片的标签比较，拿到比较的误差结果后去调整全连接层的参数。不断迭代这个流程直到全连接层能够达到89%的识别精度。

上面的Wn,m + Bn 就是全连接层。

一个24x24的图片，在MNIST的存储方式其实并不是jpg或者png，它是一串二进制数据，结构是 1 x 784，就是把24x24给拉成了一维数组。

MNIST的标签则是 1 x 10的数组，每一位也只有1或者0两个值，用来标识这个图片的数字是什么。

下面要开始彪数学了。

全连接层是一个矩阵运算层，它需要把 1x784 映射到 1x10 的预测结果上。这是一个矩阵乘法。

在矩阵乘法里 [1x784] * [m x n] = [1 x 10]，那么m和n分别需要是多少？ m和n的值就是全连接层的维度取值。

维度确定了，还需要确定全连接层里的每个W值的具体大小。这个确定的过程就是一个反向传播算法的过程。

想学AI必须要搞明白反向传播算法是怎么回事，跟反向传播相关的还有损失函数。 在CSDN上有不少关于这两个知识点的资料，为了方便学习也可以看上面连接里的视频，视频里还提供了代码样例可以参考。