Mane

training_images = training_images / 255.0 test_images = test_images / 255.0 Before you trained, you normalized the data, going from values that were 0-255 to values that were 0-1. What would be the impact of removing that? Why should we normalize data for deep learning in Keras? model = tf.keras.models.Sequential([ #tf.keras.layers.Flatten(), tf.keras.layers.Dense(64, activation=tf.nn.relu), tf.keras.layers.Dense(10, activation=tf.nn.softmax)]) What would happen if you remove the Flatten() layer. Why do you think that's the case? You get an error about the shape of the data. It may seem vague right now, but it reinforces the rule of thumb that the first layer in your network should be the same shape as your data. Right now our data is 28x28 images, and 28 layers of 28 neurons would be infeasible, so it makes more sense to 'flatten' that 28,28 into a 784x1. Instead of wriitng all the code to

前言 这是 AI 概论的最后一篇内容，主要讲的是 AI 和人性方面的问题。禁止转载。 Week 4 Introduction 简单介绍下这篇笔记： AI 存在过度的炒作：AI确实正在改变世界，但现在媒体还存在过度的炒作。为了让普通民众、商业领袖 和政府领导可以快速上升职位，理解 AI 的前景还是相当重要的。 AI 存在局面性：前面几个星期说过，AI还存在一个局面行，并不是100%做得到。其实跟人一样，人也会犯错的，何况AI呢。 种族歧视：AI可能对少数群体或其他团体，存在着不公平的歧视。 高级AI攻击：例如，我们很喜欢使用的垃圾邮件过滤器，因为它使邮件系统能正常工作。但也有些垃圾邮件发送者 正尝试去攻击这些过滤器。即便我们继续开发新的AI技术，但还会受到一些新型攻击。 发展人工智能。 A realistic view of AI AI 对人类社会生活都产生了巨大的影响。我们需要对 AI 有一个客观的认识，不能过于乐观，也不能太悲观。如果你有听说过 金发姑娘和三只熊的故事，你就会知道故事里提到的粥 既不能太热，也不能太冷。故事里的床既不能太硬，也不能太软。 AI 也需要类似的 " 金发姑娘原则 " 因此我认为对于 AI 能够做的事也不能抱有太乐观的希望，当然也不能太过于悲观。 如果对AI技术太乐观而且不顾实际的话，会让人觉得AI是感知智能和超人工智能或强人工智能时代即将到来， 因此，就要投入大量的资源来抵御可怕的AI杀人机器。但是以这种做学术研究的角度来看，研究遥远未来的可能性并没有什么害处。比如研究 AI 哪一天会实现感知智能，这也没有什么害处。我们也不能过度投入资源来抵御一些中长期内都不会出现的风险。可能这几十年、几百年都不会出现，所以我觉得没有必要去害怕超级人工智能或强人工智能。这些不必要的恐惧会让我们分心且不去关注一些真正要解决的问题，也会让社会引起对AI的不必要恐惧。 反过来说，我们也不能对AI太过悲观，认为 AI 什么都做不了。有些事情 AI 不可能完成，所以 AI 的冬眠期将要到来。AI冬眠期是指在 AI 发展的历史中 陆续有几段时期AI被过度炒作，而当人们发现 AI 不能做到一切 人们就对 AI 丧失信心 并减少对 AI 的投资。 如今的 AI 技术 与几十年前冬眠

Week 3 Introduction 在过去的两周里你了学到了什么是人工智能 ， 以及如何构建一个人工智能项目，一个公司要想应用人工智能 可能需要两三年的时间，不仅仅只是做过一个人工智能项目，而是一系列有价值的人工智能项目，而且做得很有效率。禁止转载。 这些将是你本周会看到的话题： 复杂的人工智能产品的案例研究：比如一个智能音响 或者一辆自动驾驶汽车。 团队中的主要工作类型：建立一个大型的人工智能团队时， 这也许是好几十人 甚至几百人， 这些人都会做些什么事情。 你也会了解到 人工智能转型手册：学习如何帮助你的公司转型成为擅长应用人工智能的公司。 Case study: Smart speaker 现在来研究一下智能音箱，打造一个复杂的人工智能产品是什么样的感觉呢? 这意味着不仅仅用一个单一的机器学习算法去学习从A到B的映射，为了打造一个复杂的产品，通常都是很多个人工智能结合在一起。 有一天你可能会说 "hi， Mane" ，作为触发词或唤醒词要唤醒一个智能音箱，他的工作原理是什么呢？简单来说我们会划分为4步： 第一步，是探测到触发词或唤醒词：当他们听到了唤醒或者触发词 "hi， Mane" ，NN 就会输出就是0或1 。一旦它听到触发词或唤醒词，听到 "hi， Mane" 时，它还必须接着执行第二步。 第二步，语音识别：也就是说，此时软件要做的是在得到 "hi， Mane" 的音频之后，把你说的话输出成文本。 第三步，用刚输出的文本，判断要交给哪个模块。比如"我要设置10分钟定时器"，就把这句话交给定时器去处理。 第四步，模块去执行指令。 Case study: Self-driving car 自动驾驶一直都被称为神秘的技术，现在来一点一点的了解什么是自动驾驶系统。 汽车会接收各种各样的传感器作为输入，比如汽车前方、侧面或后方的图片，以及声波雷达 或激光雷达的传感器读数。有了这些作为输入就能探测出其他车辆的存在或所在位置，这样就可以发现附近有车，同时注意到行人的位置。因为我们想要避开其他车辆以及行人，所以汽车探测和行人探测 都可以通过机器学习来完成，即A --> B的过程，这里的输入可能是图