Deep Learning SIMPLIFIED: The Series Intro
 |
來源：大数据周刊 作者：薛命灯
有人在 Quora 上問了一個匪夷所思的問題：「深度學習的泡沫何時會破？」在短短的十幾個小時內，該問題就得到了 18 個回應，而且每個回應都頗有深度。下面的內容翻譯自吳恩達和微軟數據科學家 Tim Scarfe 對該問題的回應。
吳恩達:
在 100 多年前也曾經出現過有關電力的炒作，但那個所謂的泡沫到現在都沒有破，相反，我們現在根本離不開電力!
深度學習為我們帶來了很多價值，它被廣泛應用在多個領域，如 Web 搜索、廣告、語音辨識、推薦系統等，所以毫無疑問，這項技術會與我們同在。深度學習技術與其他人工智慧工具(圖像模型、智慧決策、KR 等)的結合正在改變著我們的各行各業，它的影響力將不僅限於技術行業。
然而，在技術社區之外，人們對」情感人工智慧「似乎給予了過多的期望。我與一些 CEO 聊過這方面的問題，他們把人工智慧當成解決技術問題的靈丹妙藥。看來，在深度學習方面確實存在一些泡沫，我希望這些泡沫在變大之前就破掉，越快越好。
Tim Scarfe（微軟數據科學家，機器學習博士）：
我感覺深度學習比預想的要更加普及。深度學習為預測技術帶來了變革，而且在序列建模(如自然語言處理、語音辨識)、局部空間處理(如電腦視覺)和增強學習方面，具備無以倫比的性能。
在很多情況下，深度學習算法的性能，相比之前的「頻率學派」算法，有了階段性的進步。在擁有大數據集的情況下，執行關鍵性預測任務的性能優勢尤為明顯。
上圖展示了 ImageNet 電腦視覺檢測技術的快速發展，其中包括 2012 年 Alex Krizhevsky 使用他的卷積神經網路，擊敗了前作。今年，一個來自中國的團隊將錯誤率降低到了 2.2%，看來這場競賽似乎要告一段落了。
我們也看到過去 8 年多在語言處理和語音辨識方面出現了類似的進步。今年，微軟通過基於 CNN 和雙向 LSTM 的架構實現了語音辨識的 human parity。
人們常說這些要歸因於過去 10 年的數據大爆炸和計算大爆炸。實際上，這些大爆炸就是性能，得到大幅提升的主要推動力，而人工神經網路不過是一項古老的技術。我不認為我們會在這兩方面停下腳步，不是嗎?
不過我想說的是，這不僅僅是一次思維的轉型，或僅僅是一種全新的編程方式。
1.更少地強調特徵提取
在古老的頻率學派架構裡，數據科學家需要掌握一些領域知識來完成特徵提取。所有的算法都用來解決優化問題，這些問題與特徵是混雜在一起的。
這並不是說深度學習架構，就不包含領域知識，圖像的 CNN 模型局部空間依賴，和 RNN 模型臨時依賴不就是嗎?關鍵的差異在於，NN 模型會自己學習表徵層次，而這些表徵在很多情況下可以很好地工作。
2.新奇預測(novel prediction)架構
我想，我們現在的優勢，是可以在一個框架內搭建出一個端到端的新奇預測架構，而且可以很快地訓練模型，並在雲端操作模型。
在以前，我們需要回歸和分類算法，而現在我們使用預測架構。
上面的圖片展示了物體的分割和局部化網路——Mask R-CNN。請留意我們是如何使用 CNN 來檢測圖像特徵的，我們有一個區域提議網路(region proposal network)和該區域內的掩膜回歸(mask regression)，它們都處於同一個網路內。
任何一個熟悉深度學習工具包，和雲端人工智慧訓練平台(如微軟 Azure)的人都可以重現、訓練和操作這些東西。
深度學習實際上是一種新型的編程模式，也被稱為「可微編程(differentiable programming)」。
3.創新架構正在出現
這個可以參考 GAN 或混合專家(Mixture of Experts)模型。
4.業界在擁抱深度學習和創新
微軟和谷歌已經在他們的雲端，安裝了一些硬體，來加速深度學習，也因為深度學習與生俱來的靈活預測架構，得到了廣泛的應用。這一領域或許有點炒作過度了，但對於創新來說是一件好事，因為每個人都被調動起來了，變革的速度在加快。
5.超越深度學習
我並不認為我們剩下的只有深度學習。我個人相信基於模型的貝葉斯機器學習，可能會回歸，因為它可以在有效數據不足的情況下，對真實世界的領域知識進行建模，而深度學習需要大量的數據!
 |
| 康橋科技 —— 白光攝影機專業廠商！ |
0 comments:
張貼留言