DeepLearningwithPyTorch-1.0 简介
1.0 简介对于人工智能来说 ， 不明确的定义涵盖了一系列经过大量研究、审查、混乱、幻想型炒作和科研恐慌的学科 。 当然 ， 现实要乐观的多 ， 如果断言机器正在学习用人的眼光“思考” ， 是不光彩的 。 相反 ， 我们发现了一类通用的算法 ， 能够非常非常有效地近似复杂的非线性过程 ， 这可以用来自动化以前仅限于人类所做的任务 。
比如 ， 在中 ， 一种称为GPT-2的语言模型可以使用一个个的单词一次性生成连贯的文本段落 。 当我们将此段输入时 ， 产生了以下内容：
接下来 ， 我们将从电子邮件地址集中输入短语列表 ， 并查看程序是否可以将列表解析为句子 。同样 ， 这比本文开头的搜索要复杂得多 ， 也要复杂得多 ， 但是希望可以帮助您了解以各种编程语言构造句子结构的基础 。
（原文）Next we’re going to feed in a list of phrases from a corpus of email addresses, and see if theprogram can parse the lists as sentences. Again, this is much more complicated and far morecomplex than the search at the beginning of this post, but hopefully helps you understand thebasics of constructing sentence structures in various programming languages.对于机器而言 ， 这是非常连贯的 ， 即使杂乱的（语句）背后没有明确的论点 。
【DeepLearningwithPyTorch-1.0 简介】更令人印象深刻的是 ， 机器通过示例学到了执行这些以前只能被人类所执行的任务的能力 ， 而不是由人类将其编码为一组手工制定的规则（去执行） 。 从某种意义上说 ， 我们正在了解 ， 智力是我们经常与自我意识混为一谈的概念 ， 同时不需要自我意识就可以成功地完成这些任务 。 最后 ， 计算机智能问题可能甚至都不重要 。Edsger W. Dijkstra发现 ， 机器是否可以思考的问题“与潜艇是否可以游泳的问题相关 。 ”
我们正在谈论的一般算法类别属于深度学习的AI子类别 ， 该子类别通过提供指导性示例来处理名为深度神经网络的数学实体（模型）的训练 。 深度学习使用大量数据来近似复杂的功能 ， 这些功能的输入和输出相距遥远 ， 例如输入图像 ， 输出一行描述输入的文本； 或以书面文字作为输入 ， 以自然声音朗诵该文字作为输出； 或者甚至更简单地 ， 将金毛猎犬的图像与一个告诉我们“是的 ， 金毛猎犬存在”的标志相关联 。 这种功能使我们能够创建具有直到最近才完全属于人类领域的方法的程序 。