深度學習自誕生之日起，即面臨著黑盒智能、可解釋性差等質疑，發(fā)展至今，不可否認地帶來了一波人工智能的發(fā)展熱潮，然而正面臨研究熱情漸褪、算法紅利逐漸消失等問題，整個學術界都在討論，后深度學習時代，誰將是主宰。

恰在此時，LeCun語出驚人地表示，“Deep Learning has outlived its usefulness as a buzz-phrase. Deep Learning est mort. Vive Differentiable Programming!” 一方面將對深度學習的質疑推向了高潮，另一方面奠定了可微編程的地位。

可微編程，作為銜接傳統(tǒng)算法與深度學習之間的橋梁為深度算法提供可解釋性，將成為打開深度學習黑盒子的一大利器。

本文中，來自四川大學的彭璽研究員，將為大家介紹后深度學習時代的新主宰：可微編程。

文末，大講堂提供文中提到參考文獻的下載鏈接。

今天的匯報將從上面四個部分展開。

第一部分，介紹一下可微編程的一些相關的概念。

第二部分，介紹我們的第一個工作?，F(xiàn)在大多可微編程是把優(yōu)化過程展開，轉換成回復式神經網絡。而我們這項工作也是把優(yōu)化過程展開，發(fā)現(xiàn)能夠得到新的長短期記憶，再從可微編程角度，找到與長短期記憶網絡的連接。

第三部分，介紹我們的第二個工作?，F(xiàn)有的絕大多數(shù)可微編程的工作都是基于優(yōu)化的過程展開，然后尋找它和神經網絡之間的關系。而我們這項工作是從目標函數(shù)進行變形得到一個前向式神經網絡。

第四部分，是我們對于這些研究問題的一些思考。

首先介紹一下可微編程是什么呢？簡單來說，就是把神經網絡當成一種語言，而不是一個簡單的機器學習的方法，從而描述我們客觀世界的概念以及概念之間的關系。這種觀點無限地提高了神經網絡的地位。

LeCun曾在facebook的文章里說:”Deep Learning Is Dead. Long Live Differentiable Programming!” (深度學習已死，可微編程永生)。

具體的可微編程和現(xiàn)有的深度學習、機器學習又有什么關系呢？這里有一個簡單的對比，在上圖中顯示的三個實體之間發(fā)生的三項關系。目前最流行的方法是用深度學習提取特征，然后結合機器學習的一些方法來解決實際當中的一些問題，也可以反過來用深度神經網絡拿來直接生成數(shù)據(jù)，也就是目前最火的生成式對抗網絡。

但我們可以發(fā)現(xiàn)缺失了一塊，也是目前可微編程做的主流工作。缺失的就是把現(xiàn)有的機器學習的方法轉化成等價的神經網絡，使得同時具有傳統(tǒng)的統(tǒng)計機器學習方法的可解釋性強以及深度神經網絡性能較優(yōu)等優(yōu)點。

針對現(xiàn)實世界中的一些問題，傳統(tǒng)的機器學習的方法思路是首先基于一些假設或者先驗知識（比如稀疏編碼等），將其形式化成目標函數(shù)，再對其進行優(yōu)化求解。但當?shù)玫揭粋€新的目標函數(shù)時，我們還需要研究目標函數(shù)數(shù)學上的性質對其進行優(yōu)化，如目前最流行的優(yōu)化方法--凸優(yōu)劃。

但是這樣做飽受詬病的一個原因就是可解釋不強。那可微編程可以做什么？其實就把神經網絡直接當成一種語言，直接用于替代問題的描述或者說抽象化問題。這樣做的好處顯而易見，首先，它易于優(yōu)化。只需要一個SGD或者SGD的變種，而不需要發(fā)展出非常復雜的優(yōu)化的算法。此外，它還易于計算。并且，它也能做端到端的學習。

在神經網絡以深度學習為標志復出之后，最早的可微編程的工作應該是Yann LeCun的ISTA。求解稀疏編碼這個目標函數(shù)的優(yōu)化方法有非常多，ISTA是其中非常有名的一個。上圖中間紅框標注的公式就是ISTA的核心，具體細節(jié)可以閱讀文章《Learning fast approximations of sparse coding》。

觀察上圖中紅色方框的公式，可以看到Z是依賴于前一步的Z值。這在數(shù)學上就等價于一個動力學系統(tǒng)或者一個迭代過程，而動力學系統(tǒng)本質上就是回復式神經網絡的數(shù)學本質。因此，進一步地把右下角公式簡單地變形等價成RNN，這是神經網絡復出以來最為知名的一個可微編程的工作。

隨后有很多的進展，比如2016年NIPS上的文章《Attend, Infer, Repeat: Fast Scene Understanding with Generative Models》關于生成模型的工作，這項工作也是目前比較熱門的研究。

另外，在2015的ICCV上《Conditional Random Fields as Recurrent Neural Networks》文章中提出，把條件隨機場的求解變形成了循環(huán)神經網絡的相關運算，在圖像語義分割上實現(xiàn)了突破。

在2016的TPAMI上《Learning to Diffuse: A New Perspective of Designing PDEs for Visual Analysis》文章中，提出的PDE工作在多個任務視覺上取得很好的效果。

在2016的TIP《Learning Iteration-wise Generalized Shrinkage-Thresholding Operators for Blind Deconvolution》里，針對盲卷積這個問題，發(fā)展出能夠實現(xiàn)稀疏編碼的回復神經網絡。

在2016的IEEE TPAMI的《Trainable Nonlinear Reaction Diffusion: A Flexible Framework for Fast and Effective Image Restoration》文章中，對圖像重構工作進行了這方面研究。

在2016年的AAAI文章《Learning Deep ?0 Encoders》中對0范數(shù)的優(yōu)化問題，進行變形和等價建議的回復式神經網絡。

在2015年TPAMI文章《Learning Efficient Sparse and Low Rank Models》中，對使用深度神經網絡來實現(xiàn)稀疏模型和非負矩陣分解之間建模的回復式神經網絡。

將這些研究進行歸納總結，就是把一些現(xiàn)有的統(tǒng)計機器學習方法，特別是現(xiàn)有的優(yōu)化過程展開，形成一個簡單的神經網絡，且其中大多都是一個簡單的回復式神經網絡。從而使它能享有傳統(tǒng)機器學習的優(yōu)點，比如端到端學習，同時兼具易于優(yōu)化以及高可解釋性等優(yōu)點。

我相信這樣介紹大家可以有一個直觀的概念。目前可微編程就是對傳統(tǒng)的機器學習的一個逆向的過程，由于傳統(tǒng)的機器學習的結構非常清晰，對逆向過程可以產生的神經網絡，就可以知道哪一個激活函數(shù)的作用是什么，每一層的輸出、目的是什么，這也是現(xiàn)有的深度學習方法所不具備的優(yōu)勢。

下面給大家介紹一下我們的第一個工作。我們這項工作從可微編程出發(fā)，來研究稀疏編碼的優(yōu)化方法—ISTA 。

目前，常見的對L1范數(shù)優(yōu)化的方法具有四個局限性：

第一，在優(yōu)化過程中，對于每一個變量的更新都是采用固定的學習率。所以沒有考慮優(yōu)化變量的每個維度之間的不同。

第二， 這些優(yōu)化過程并沒有考慮歷史信息。但是在優(yōu)化這個研究鄰域里已經有大量的工作證明如果考慮歷史信息，能夠加速算法的收斂。

基于這兩點不足，我們提出了自適應的ISTA算法。

還有兩個不足是什么呢？

第三，在稀疏編碼推理過程中，計算代價很高。

第四，稀疏表示矩陣計算和字典學習是兩個分隔開的步驟。但現(xiàn)在流行端到端的訓練，也就是同時優(yōu)化步驟，這樣做可能會產生次優(yōu)的解。

而這兩個不足，正好是可微編程能夠克服的問題。因此基于這些問題，我們對自適應的ISTA變形和展開提出新的神經網絡——SC2Net。

左邊是ISTA的關鍵的優(yōu)化步驟，基于此，我們引進了動量向量（i(t),f(t)）。這就是標準的受益于現(xiàn)代的優(yōu)化的一些相關的方法，通過引入這兩個量，從而解決非自適應更新問題和沒有考慮歷史信息的不足。更進一步來看，這里存在一個問題，i(t),f(t)如果是兩個向量的話，只能確定它的值。使用傳統(tǒng)的機器學習方法進行訓練，我們人為指定它的值。在研究中，發(fā)現(xiàn)可以把這兩個向量當成兩個變量從數(shù)據(jù)中學習，就產生了我們提出的自適應ISTA。

同時，我們還發(fā)現(xiàn)這種自適應ISTA可以等價于新的長短期記憶神經網絡。具體來看，我們可以認為i和f是等價于LSTM中的input gate 和output gate。但是需要注意的是，和經典的LSTM相比，自適應的ISTA是沒有output gate。

基于以上，我們就組建了Sparse LSTM，并且構建了相應的神經網絡結構。

接下來，展示我們的實驗結果。在無監(jiān)督和有監(jiān)督的特征提取的情況下，對網絡的分類性能進行驗證。

接下來還進行圖像重構，圖中顯示的是一個重構的誤差，越黑就代表誤差越小。

我們還做了視頻當中的異常事件的檢測，給定一個圈，在圈中的都是正常事件，不在圈中的就是異常事件。接下來使用稀疏重構系數(shù)作為指標，找到一定閾值，在這個范圍內的都是正常事件，而不在其中的就是異常事件。

通過實驗可以看到，我們的結果是目前是最好的異常事件檢測算法。

最后簡單地概括一下，相對現(xiàn)有的可微編程，我們是將優(yōu)化的過程或者說具體的基于LSTM優(yōu)化的過程和長短期記憶網絡，最后掌握了他們之間關系。這對可微編程有一些促進的作用，也可以從另外一個角度理解長短期記憶網絡。

剛才我們得到的網絡和標準的只有一個區(qū)別，就是我們沒有Output gate。

相關的代碼公開，大家可以掃描上圖中的二維碼。

第二個工作較之前更進一步，是在聚類這個背景下來擴展，把k-means這個聚類算法轉化成為一個前向式記憶網絡。不同于現(xiàn)有的可微編程的方法，它是從優(yōu)化的角度出發(fā)，我們直接把k-means聚類算法的目標函數(shù)直接進行變形，然后建立對應的神經網絡模型。

K-means是什么？

它是在機器學習，計算機視覺，數(shù)據(jù)挖掘中最為知名的一個算法。主要是利用數(shù)據(jù)之間的相似性或者不相似性，將數(shù)據(jù)分為多個簇。最近一二十年，整個聚類的研究領域主要關注的是高維數(shù)據(jù)的聚類，本質上就是機器學習的共性問題-——線性不可分的問題。

為了解決這個問題，基于核聚類算法，譜聚類，子空間聚類方法，以及近期基于深度神經網絡的聚類方法，這些方法都是在解決這個線性不可分的問題。

現(xiàn)有的高維聚類方法可以簡單地概括成這個圖。它們都是用表示學習的方法將不可分的數(shù)據(jù)投影到另外一個線性可分的空間中，然后再進行聚類。而且現(xiàn)有的研究工作主要都是關注在如何學到一個好的表示。大家都知道，目前深度學習已經成為最為有效的表示學習方法之一，一定意義上可以把“之一”去掉，特別是在數(shù)據(jù)量較多的情況下。

因此，我們就認為如果表示學習能夠用深度神經網絡來解決，我們是不是要考慮更多的研究能夠實現(xiàn)聚類的神經網絡。但是讓我們驚訝的是，目前非常少的工作研究能以一個神經網絡來實現(xiàn)聚類的，寥寥可數(shù)，比較知名一點的比如說自組織映射。

受這個觀察的啟發(fā)，我們思考計劃從可微編程的角度對經典的算法進行變形，從而形成一個新的神經網絡，從而解決上述的痛點。

這里的公式是k-means的目標函數(shù)，其中x是輸入，Ω是第j個聚類的中心。我們最終的目標是最小化不同類別之間的相似性，最大化相同類別之間的相似性。

通過對k-means目標函數(shù)簡單的變形，其實本質上只是把標簽只能分配到某一個聚類空間的約束去掉，轉變成了輸入Xi在第j個聚類中心的概率。

如右圖所示的簡單變形得到公式（6）和（7），并且我們發(fā)現(xiàn)這兩個公式是可以等價為一個簡潔的前向式神經網絡。

如果大家只看左邊的神經網絡，大家可能會覺得非常不稀奇，好像就是一個很簡單的Sigmoid函數(shù)，再加上一個隱含層的神經網絡。但是如果結合右邊的公式來看，就會發(fā)現(xiàn)，這么簡單的神經網絡是等價于K-means的。

我們在相關的一些數(shù)據(jù)集上進行驗證，比如說我們使用數(shù)據(jù)mnist和CIFAR10驗證神經網絡，取得了非常好的效果。

接著我們使用CIFAR100數(shù)據(jù)的20個子集進行驗證，也是取得很不錯的結果。

同時我們還考慮使用CNN來發(fā)現(xiàn)特征，可以得到超過93%的距離精確度。所以得出一個結論，我們的算法對于距離中心的初始化方法是非常棒的。

這個工作和現(xiàn)有的可微編程不同主要是兩點：

第一，我們的研究思路是從目標出發(fā)，而不是從優(yōu)化過程出發(fā)進行研究

第二，我們得到的是前向式神經網絡，而不是回復式的神經網絡。

接下來給大家分享一下我和我的合作伙伴的一些思考。

目前，深度學習的研究主要是對通過對一些算法的性能指標不斷地試錯，最后確定整個網絡的結構以及相關的超參，這也是深度學習最為詬病的一點。

現(xiàn)在深度神經網絡已經占據(jù)了絕對的優(yōu)勢，可微編程提供了從高解釋性的角度去做這件事，它是將神經網絡作為一種語言，將傳統(tǒng)的算法轉化成神經網絡以后，一定程度上緩解了一些深度學習的不足。

下一步可微編程做什么？現(xiàn)在的可微編程是對傳統(tǒng)的繼續(xù)學習方法的等價或者一種替代物。從問題的描述，再到問題的建模、求解，這是一個很復雜的過程。如果我們對傳統(tǒng)的學習的方法，在一定的假設和前提下已經有建好的建模，我們建立等價的神經網絡，其實就能走出最容易的一步。

在未來，如果我們真的要貫徹可微編程，就是把它當成一種語言。神經網絡應該更進一步，應該直接對問題進行建模，也就是對我們的物理現(xiàn)象進行建模，并且傳統(tǒng)的統(tǒng)計機器學習方法有一些先驗知識，進而解決我們的一些實際問題。

可能這是更接近于做人工智能這個領域的一個更貼切的思路。