【深度学习之美笔记】人工“碳”索意犹尽，智能“硅”来未可知（入门系列之二）
目錄
一、前言
二、深度學習再認識
2.1 人工智能的“江湖定位”
?2.2 深度學習的歸屬
2.3.機器學習的形式化定義
2.4 為什么要用神經網絡？
2.5 小結
2.6 請你思考
三、參考文獻
四、參考
一、前言
? ? ? ?在前面的小節中，我們僅僅泛泛而談了機器學習、深度學習等概念，在這一小節，我們將給出它的更加準確的形式化描述。
? ? ? ?我們經常聽到人工智能如何如何？深度學習怎樣怎樣？那么它們之間有什么關系呢？在本小節，我們首先從宏觀上談談人工智能的“江湖定位”和深度學習的歸屬。然后再在微觀上聊聊機器學習的數學本質是什么？以及我們為什么要用神經網絡？
? ? ?（轉者言：找到數學本質可以更好的理解，事物的本質用數學描述往往很直觀）
二、深度學習再認識
2.1 人工智能的“江湖定位”
? ? ? ? 宏觀上來看，?人類科學和技術的發展，大致都遵循著這樣的規律：現象觀察、理論提取和人工模擬（或重現）。?人類“觀察大腦”的歷史由來已久，但由于對大腦缺乏“深入認識”，常常“絞盡腦汁”，也難以“重現大腦”。
? ? ? ?直到上個世紀40年代以后，腦科學、神經科學、心理學及計算機科學等眾多學科，取得了一系列重要進展，使得人們對大腦的認識相對“深入”，從而為科研人員從“觀察大腦”到“重現大腦”搭起了橋梁，哪怕這個橋梁到現在還僅僅是個并不堅固的浮橋。
? ? ? （轉者言：對腦結構和神經科學的進一步研究，觸發了深度學習的發展。有了腦結構和神經元的結構，我們可以基于這個去模擬大腦。事物的結構很重要。）
?
圖2-1 人工智能的本質
? ? ? ?而所謂的“重現大腦”，在某種程度上，就是目前的研究熱點——人工智能。簡單來講，人工智能就是為機器賦予人類的智能。由于目前的機器核心部件是由晶體硅構成，所以可稱之為“硅基大腦”。而人類的大腦主要由碳水化合物構成，因此可稱之為“碳基大腦”。
（轉者言：結構很重要，具體由什么組成可以有差異）
? ? ? ? 那么，?現在的人工智能，通俗來講，大致就是用“硅基大腦”模擬或重現“碳基大腦”。?那么，在未來會不會出現“碳硅合一”的大腦或者全面超越人腦的“硅基大腦”呢？
（轉者言：硅基大腦也處于發展當中和人類的大腦一樣，它處于發展當中，具體進化到什么程度，現在也沒人知道，但是值得我們警惕。）
? ? ? ? 有人就認為，在很大程度上，這個答案可能是“會的”！比如說，未來預言大師雷·庫茲韋爾（Ray Kurzweil）就預測，到2045年，人類的“奇點”時刻就會臨近[1] 。這里的“奇點”是指，人類與其他物種（物體）的相互融合，更確切來說，是硅基智能與碳基智能兼容的那個奇妙時刻。
（轉者言：目前已經在融合了，比如我們使用它不就是一種融合，融合也在不斷發展當中，具體融合到什么程度，現在也沒人知道）
?2.2 深度學習的歸屬
? ? ? ?在當下，雖然深度學習領跑人工智能。但事實上，人工智能研究領域很廣，包括機器學習、計算機視覺、專家系統、規劃與推理、語音識別、自然語音處理和機器人等。而機器學習又包括深度學習、監督學習、無監督學習等。簡單來講，機器學習是實現人工智能的一種方法，而深度學習僅僅是實現機器學習的一種技術而已（如圖2-2所示）。
?
圖2-2 深度學習的“江湖地位”
? ? ? ?需要說明的是，對人工智能做任何形式的劃分，都可能是有缺陷的。在圖2中，人工智能的各類技術分支，彼此涇渭分明，但實際上，它們之間卻可能阡陌縱橫，比如說深度學習是無監督的。語音識別可以用深度學習的方法來完成。再比如說，圖像識別、機器視覺更是當前深度學習的拿手好戲。
? ? ? ? ?一言蔽之，?人工智能的分支并不是一個有序的樹，而是一個彼此纏繞的灌木叢。?有時候，一個分藤蔓比另一個分藤蔓生長得快，并且處于顯要地位，那么它就是當時的研究熱點。深度學習的前生——神經網絡的發展，就是這樣的幾起幾落。當下，深度學習如日中天，但會不會也有“虎落平陽被犬欺”的一天呢？從事物的發展規律來看，這一天肯定會到來！
（轉者言：這個圖不好，個人認為機器學習包括深度學習只是一種方法可以看成一種數學方法，它可以解決好多業務問題比如語音識別，文本識別等。）
? ? ? ? 在圖2-3中，既然我們把深度學習和傳統的監督學習和無監督學習單列出來，自然是有一定道理的。這就是因為，深度學習是高度數據依賴型的算法，它的性能通常隨著數據量的增加而不斷增強，也就是說它的可擴展性（Scalability）顯著優于傳統的機器學習算法（如圖2-3所示）。
?
圖2-3 深度學習和傳統學習算法的區別
? ? ? ? 但如果訓練數據比較少，深度學習的性能并不見得就比傳統機器學習好。其潛在的原因在于，作為復雜系統代表的深度學習算法，只有數據量足夠多，才能通過訓練，在深度神經網絡中，“恰如其分”地將把蘊含于數據之中的復雜模式表征出來。
（轉者言：深度學習是復雜的函數，所以它需要更多的數據點去求解參數，比如直線求解需要2個點，拋物線求解需要三個點。網絡層數越多說明函數越復雜，就需要更多的數據點。但是原始問題有多么復雜這是個定量，就需要我們調整我們函數的復雜度。如果是直線問題，你非用拋物線問題去求解，這個誤差就大了哦。）
不論機器學習，還是它的特例深度學習，在大致上，都存在兩個層面的分析（如圖2-4所示）：
?
圖2-4 機器學習的兩層作用
（1）面向過去（對收集到的歷史數據，用作訓練），發現潛藏在數據之下的模式，我們稱之為描述性分析（Descriptive Analysis）；
（2）面向未來，基于已經構建的模型，對于新輸入數據對象實施預測，我們稱之為預測性分析（Predictive Analysis）。
? ? ? 前者主要使用了“歸納”，而后者更側重于“演繹”。對歷史對象的歸納，可以讓人們獲得新洞察、新知識，而對新對象實施演繹和預測，可以使機器更加智能，或者說讓機器的某些性能得以提高。二者相輔相成，均不可或缺。
（轉者言：還是要直線求解來說明，面向過去就是輸入用于求解直線的2個坐標x能得出對應的y坐標，面向未來就是輸入任意的x坐標都得出一個y坐標。）
? ? ?在前面的部分，我們給予機器學習的概念性描述，下面我們給出機器學習的形式化定義。
2.3.機器學習的形式化定義
? ? ? ?在《未來簡史》一書中[2]，尤瓦爾?赫拉利說，根據數據主義的觀點，人工智能實際上就是找到一種高效的“電子算法”，用以代替或在某項指標上超越人類的“生物算法”。那么，任何一個“電子算法”都要實現一定的功能（Function），才有意義。
? ? ?在計算機術語中，中文將“Function”翻譯成“函數”，這個多少有點扯淡，因為它的翻譯并沒有達到“信達雅”的標準，除了給我們留下一個抽象的概念之外，什么也沒有剩下來。但這一稱呼已被廣為接受，我們也只能“約定俗成”地把“功能”叫做“函數”了。
? ? ?根據臺灣大學李宏毅博士的說法，所謂機器學習，在形式上，可近似等同于在數據對象中，通過統計或推理的方法，尋找一個適用特定輸入和預期輸出功能函數（如圖2-5所示）。習慣上，我們把輸入變量寫作大寫的X ，而把輸出變量寫作大寫的Y 。那么所謂的機器學習，在形式上，就是完成如下變換：Y= f(X) 。
（轉者言：說一千道一萬不如Y= f(X) 管用，一針見血）
?圖2-5 機器學習近似等同于找一個好用的函數
? ? ? ?在這樣的函數中，針對語音識別功能，如果輸入一個音頻信號X，那么這個函數Y就能輸出諸如“你好”，“How are you？”等這類識別信息。
? ? ? ? 針對圖片識別功能，如果輸入的是一個圖片X，在這個函數Y的加工下，就能輸出（或稱識別出）一個貓或狗的判定。
? ? ? ? 針對下棋博弈功能，如果輸入的是一個圍棋的棋譜局勢（比如AlphaGO）X，那么Y能輸出這個圍棋的下一步“最佳”走法。
? ? ? ? 類似地，對于具備智能交互功能的系統（比如微軟的小冰），當我們給這個函數X輸入諸如“How are you？”，那么Y就能輸出諸如“I am fine，thank you？”等智能的回應。
? ? ? ? 每個具體的輸入，都是一個實例（instance），它通常由特征向量（feature vector）構成。在這里，所有特征向量存在的空間稱為特征空間（feature space），特征空間的每一個維度，對應于實例的一個特征。
（轉者言：Y= f(X) ，X是多維的(x1,x2,...,xn)）
? ? ? ?但問題來了，這樣“好用的”函數并不那么好找。當輸入一個貓的圖像后，這個函數并不一定就能輸出它就是一只貓，可能它會錯誤地輸出為一條狗或一條蛇。
（轉者言：單維度函數比較好求找，但是維度一多函數就不好找了，如何找呢，我們可以通過機器學習或者深度學習去找這樣的函數）
? ? ? ?這樣一來，我們就需要構建一個評估體系，來辨別函數的好壞（Goodness）。當然，這中間自然需要訓練數據（training data）來“培養”函數的好品質（如圖6所示）。在第一章中，我們提到，學習的核心就是性能改善，在圖6中，通過訓練數據，我們把f1改善為f2的樣子，性能（判定的準確度）得以改善了，這就是學習！很自然，這個學習過程如果是在機器上完成的，那就是“機器學習”了。
圖2-6 機器學習的三步走?
? ? ? ? ? 具體說來，機器學習要想做得好，需要走好三大步：
（1） 如何找一系列函數來實現預期的功能，這是建模問題。
（2） 如何找出一組合理的評價標準，來評估函數的好壞，這是評價問題。
（3） 如何快速找到性能最佳的函數，這是優化問題（比如說，機器學習中梯度下降法干的就是這個活）。
（轉者言：如何去找函數，機器學習有機器學習的辦法，深度學習有深度學習的方法，但是本質是一樣的就是找函數Y= f(X) ，X是多維的(x1,x2,...,xn)）
2.4 為什么要用神經網絡？
? ? ? ?我們知道，深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知機就是一種深度學習結構。所以說到深度學習，就不能不提神經網絡。
? ? ? 那么什么是神經網絡呢？有關神經網絡的定義有很多。這里我們給出芬蘭計算機科學家Teuvo Kohonen的定義（這老爺子以提出“自組織神經網絡”而名揚人工智能領域）：“神經網絡，是一種由具有自適應性的簡單單元構成的廣泛并行互聯的網絡，它的組織結構能夠模擬生物神經系統對真實世界所作出的交互反應。”
? ? ? ? 提到“神經網絡”，實際上是指“神經網絡學習”。學習是大事，不可忘記！
? ? ? ? 那為什么我們要用神經網絡學習呢？這個原因說起來，有點“情非得已”。
? ? ? ? 我們知道，在人工智能領域，有兩大主流門派。第一個門派是符號主義。符號主義的理念是，知識是信息的一種表達形式，人工智能的核心任務，就是處理好知識表示、知識推理和知識運用。這個門派核心方法論是，自頂向下設計規則，然后通過各種推理，逐步解決問題。很多人工智能的先驅（比如CMU的赫伯特?西蒙）和邏輯學家，很喜歡這種方法。但這個門派的發展，目前看來并不太好。未來會不會“峰回路轉”，現在還不好說。
? ? ? ?還有一個門派，就是試圖編寫一個通用模型，然后通過數據訓練，不斷改善模型中的參數，直到輸出的結果符合預期，這個門派就是連接主義。連接主義認為，人的思維就是某些神經元的組合。因此，可以在網絡層次上模擬人的認知功能，用人腦的并行處理模式，來表征認知過程。這種受神經科學的啟發的網絡，被稱之人工神經網絡（Artificial Neural Network，簡稱ANN）。目前，這個網絡的升級版，就是目前非常流行的深度學習。
? ? ? 前面我們提到，機器學習在本質就是尋找一個好用的函數。而人工神經網絡最“牛逼”的地方在于，它可以在理論上證明：只需一個包含足夠多神經元的隱藏層，多層前饋網絡能以任意精度逼近任意復雜度的連續函數[4]。這個定理也被稱之為通用近似定理（Universal Approximation Theorem）。這里的“Universal”，也有人將其翻譯成“萬能的”，由此可見，這個定理的能量有多大。換句話說，神經網絡可在理論上解決任何問題，這就是目前深度學習能夠“牛逼哄哄”最底層的邏輯（當然，大數據+大計算也功不可沒，后面還會繼續討論）。
（轉者言：它可以在理論上證明：只需一個包含足夠多神經元的隱藏層，多層前饋網絡能以任意精度逼近任意復雜度的連續函數。這個不正是我們需要的嗎？找函數。為什么要用神經網絡，因為它可以很好的找函數，而且它可以找到任意復雜度的連續函數）
2.5 小結
? ? ? 在本小節中，我們首先談了談人工智能的“江湖定位”，然后指出深度學習僅僅是人工智能研究的很小的一個分支，接著我們給出了機器學習的形式化定義。最后我們回答了為什么人工神經網絡能“風起云涌”，簡單來說，在理論上可以證明，它能以任意精度逼近任意形式的連續函數，而機器學習的本質，不就是要找到一個好用的函數嘛？
? ? ?在下小節，我們將深度解讀什么是激活函數，什么是卷積？（很多教科書真是越講越糊涂，希望你看到下一小節，能有所收獲）
（轉者言：為什么要用神經網絡，因為它可以很好的找函數，而且它可以找到任意復雜度的連續函數。）
2.6 請你思考
? ? ?學完前面的知識，請你思考如下問題（掌握思辨能力，好像比知識本身更重要）：
（1）你認可庫茲韋爾“到2045年人類的奇點時刻就會臨近”的觀點嗎？為什么？庫茲韋爾的預測，屬于科學的范疇嗎？（提示：可以從波普爾的科學評判的標準——是否具備可證偽性分來析。）
（轉者言：哲學上講，事物是矛盾統一的）
（2）深度學習的性能，高度依賴性于訓練數據量的大小？這個特性是好還是壞？（提示：在《圣經》中有七宗原罪，其中一宗罪就是暴食，而原罪就是“deadly sin”，即死罪。目前，深度學習貪吃數據和能量，能得以改善嗎？）
（轉者言：如何更好的找函數深度學習目前是依賴大數據量，肯定會有其它方法的）
? ? ? 寫下你的心得體會，祝你每天都有進步！
三、參考文獻
[1] (美) 雷·庫茲韋爾, 李慶誠等譯. 奇點臨近.機械工業出版社.2012.12
2尤瓦爾·赫拉利，未來簡史. 出版社：中信出版社.2017.1
[3] 李航.統計學習方法.清華大學出版社.2012.3
[4] Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators[J]. Neural networks, 1989, 2(5): 359-366.
四、參考
https://developer.aliyun.com/article/88300
總結
以上是生活随笔為你收集整理的【深度学习之美笔记】人工“碳”索意犹尽，智能“硅”来未可知（入门系列之二）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： oracle放在内存里,oracle如中
- 下一篇： LFW数据集—人脸对齐