????這些年深度學(xué)習(xí)太火了，你肯定疑惑深度學(xué)習(xí)網(wǎng)絡(luò)看起來無比強(qiáng)大，但為什么直到這十多年才火熱起來呢？從技術(shù)上來說，深度學(xué)習(xí)并不是一個特別高深，特別新穎的技術(shù)，很多是“舊瓶裝新酒”。但在此之前，由于計算資源缺乏和數(shù)據(jù)的缺失，使得嚴(yán)重依賴于“算力”和“數(shù)據(jù)”的深度學(xué)習(xí)技術(shù)難以實(shí)用化。而現(xiàn)在芯片技術(shù)快速發(fā)展，具備了暴力計算的可能；各種數(shù)據(jù)似乎隨手可得，學(xué)習(xí)資源也不再是瓶頸。當(dāng)這些限制性的天花板被一個一個被打開后，深度學(xué)習(xí)終于迎來了他的春天?，F(xiàn)在，你別嫌棄它“好傻好暴力”，它就是“很強(qiáng)很實(shí)用”。

深度學(xué)習(xí)的核心就是"深度" ，從實(shí)現(xiàn)上深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)就是一種包括多個隱含層的多層感知機(jī)，它通過組合低層特征，形成更為抽象的高層表示，用以描述被識別對象的高級屬性類別或特征，深度學(xué)習(xí)的“深”就是指層數(shù)多。我們把這四周一起學(xué)習(xí)的內(nèi)容串一下，你能清晰的看到從上個世紀(jì)中“感知機(jī)”一步步發(fā)展到現(xiàn)在的“深度學(xué)習(xí)網(wǎng)絡(luò)”，Deep learning幾經(jīng)起伏，走過了這條由“淺”變“深”之路。 ? ? ? ? ?

下面我們就一起來回顧一下。 1、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是兩兄弟么？ 劃重點(diǎn)：學(xué)習(xí)的核心是改善性能，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支，它的發(fā)展幾經(jīng)起伏。近十年伴隨著算法成熟、數(shù)據(jù)爆炸，算力俱增，深度學(xué)習(xí)走入舞臺中心。 （1）西蒙教授（Herbert Simon）是1975年圖靈獎獲得者、1978年諾貝爾經(jīng)濟(jì)學(xué)獎獲得者，他給學(xué)習(xí)下的定義是“學(xué)習(xí)的核心目的就是改善性能”。 （2）機(jī)器學(xué)習(xí)（Machine Learning）是人工智能（Artificial Intelligence）的一個分支，深度學(xué)習(xí)（Deep Learning）是機(jī)器學(xué)習(xí)中的一個子集，或者說，機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種方法，而深度學(xué)習(xí)僅僅是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種技術(shù)。 （3）上個世紀(jì)50年代至今，從1958年感知機(jī)實(shí)現(xiàn)，到BP神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，再到2006年傳奇的辛頓（Geoffrey Hinton）及其學(xué)生掀起深度學(xué)習(xí)的第三次浪潮，幾經(jīng)起伏后深度學(xué)習(xí)終于走上前臺。而在此之后，伴隨著數(shù)據(jù)量的爆炸式增長與計算能力的與日俱增，深度學(xué)習(xí)得到了進(jìn)一步的發(fā)展。

2、機(jī)器學(xué)習(xí)就是找到一個“好用的”函數(shù)? 劃重點(diǎn)：研究機(jī)器學(xué)習(xí)的過程是尋找有效算法的過程，算法是由一系列函數(shù)組成的，“好算法”的基石是“好的函數(shù)”。 （1）我們可以這樣理解機(jī)器學(xué)習(xí)“從數(shù)據(jù)中學(xué)習(xí)，形成有效經(jīng)驗(yàn)，提升執(zhí)行任務(wù)/工作的表現(xiàn)”，因此對于研究機(jī)器學(xué)習(xí)就是不斷找尋更有效算法，而算法的基石是一個個函數(shù)，臺灣大學(xué)李宏毅博士這樣定義“機(jī)器學(xué)習(xí)在形式上可近似等同在數(shù)據(jù)對象中通過統(tǒng)計或推理的方法，尋找一個有關(guān)特定輸入和預(yù)期輸出的功能函數(shù)f”。 （2）如何找到好用的函數(shù)呢？這個程包括建模、評估、優(yōu)化散步。“建?！笔钦乙幌盗械暮瘮?shù)來實(shí)現(xiàn)預(yù)期的功能，“評估”是制定每個環(huán)節(jié)的評價標(biāo)準(zhǔn)，“優(yōu)化”是調(diào)試到性能最佳的函數(shù)。

3、學(xué)好數(shù)理化，走遍天下都不怕? 劃重點(diǎn)：理解機(jī)器學(xué)必備的數(shù)學(xué)基礎(chǔ)知識包括線性代數(shù)、微積分、概率論等等，除了數(shù)學(xué)基礎(chǔ)以外，編程能力和英文內(nèi)功也很重要。 （1）理解機(jī)器學(xué)習(xí)必備的數(shù)學(xué)基礎(chǔ)知識包括線性代數(shù)、微積分、概率論、最優(yōu)化理論等等，我們需要把數(shù)學(xué)知識點(diǎn)串聯(lián)到自己的知識體系中，再以數(shù)學(xué)思維去理解人工智能的工具和行為。 （2）機(jī)器學(xué)習(xí)涉及到非常廣泛的知識域，要學(xué)習(xí)的東西太多就很容易讓人發(fā)慌，打好基礎(chǔ)尤為關(guān)鍵，總結(jié)起來就是“數(shù)學(xué)是基礎(chǔ)，編程是手段，英文是內(nèi)功”。

4、機(jī)器學(xué)習(xí)中的函數(shù)（1）- 激活函數(shù)和感知機(jī) 劃重點(diǎn)：機(jī)器學(xué)習(xí)研究的突破始于仿生學(xué)，基于“M-P神經(jīng)元模型”實(shí)現(xiàn)了感知機(jī)，感知機(jī)中激活函數(shù)根據(jù)不同應(yīng)用要求不斷演進(jìn)。但感知機(jī)難以實(shí)現(xiàn)“異或”邏輯操作，成為致命短板。 （1）機(jī)器學(xué)習(xí)研究的突破始于仿生學(xué)，模仿大腦神經(jīng)元的最早實(shí)例是20世紀(jì)40年代提出的“M-P神經(jīng)元模型”，提出者是神經(jīng)生理學(xué)家麥克洛克（Warren McCulloch）和數(shù)學(xué)家皮茨（Walter Pitts），論文首次實(shí)現(xiàn)了用一個簡單電路（也就是未來大名鼎鼎的感知機(jī)）來模擬大腦神經(jīng)元的行為。 （2）M-P神經(jīng)元模型中，神經(jīng)元接收來自n個其他神經(jīng)元傳遞過來的輸入信號，這些信號的表達(dá)通常通過神經(jīng)元之間連接的權(quán)重Weight大小來表示，神經(jīng)元將接收到的輸入值按照某種權(quán)重疊加起來，匯集了所有其他外聯(lián)神經(jīng)元的輸入，并將其作為一個結(jié)果輸出。但這種輸出并非直接輸出，而是與當(dāng)前神經(jīng)元的閾值θ進(jìn)行比較，然后通過激活函數(shù)f（Activation Function）向外表達(dá)輸出，y即為最終輸出。激活函數(shù)不斷變化，包括Sigmoid、Tanh 、ReLU、Softmax等等，根據(jù)不同需求各顯神通。 （3）感知機(jī)是由心理學(xué)教授羅森布拉特（Frank Rosenblatt）在1957年提出的一種人工神經(jīng)網(wǎng)絡(luò)，是形式最簡單的前饋式人工神經(jīng)網(wǎng)絡(luò)，是一種二元線性分類器，難以實(shí)現(xiàn)常見的“異或”邏輯操作，1972年明斯基出版了《感知機(jī)：計算幾何簡介》一書中點(diǎn)明了這個問題，機(jī)器學(xué)習(xí)研究進(jìn)入漫長寒冬。什么技術(shù)進(jìn)步幫助機(jī)器學(xué)習(xí)走出這個寒冬呢？

5、機(jī)器學(xué)習(xí)中的函數(shù)（2）- 多層前饋網(wǎng)絡(luò)巧解“異或”問題，損失函數(shù)上場優(yōu)化網(wǎng)絡(luò)性能? 劃重點(diǎn)：前饋神經(jīng)網(wǎng)絡(luò)由單層前饋?zhàn)兂啥鄬忧梆伜?，能力升級，可以解決“異或”問題。多層神經(jīng)網(wǎng)絡(luò)利用損失函數(shù)計算調(diào)節(jié)網(wǎng)絡(luò)中參數(shù)，但面對越來越復(fù)雜的網(wǎng)絡(luò)高效尋找參數(shù)是一個很大挑戰(zhàn)。 （1）多層前饋網(wǎng)絡(luò)（Multi-layer Feedforward NeuralNetworks）誕生了，在輸出層與輸入層之間的再增加多層神經(jīng)元，即增加“隱含層（hidden layer），大大提升網(wǎng)絡(luò)能力，升級后可以解決“異或”問題。 （2）機(jī)器學(xué)習(xí)的應(yīng)用中，多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的本質(zhì)就是利用損失函數(shù)來調(diào)節(jié)網(wǎng)絡(luò)中的權(quán)重，然后根據(jù)網(wǎng)絡(luò)輸出與預(yù)期輸出之間的差值，采用迭代的算法，改變前面各層的參數(shù)，直至網(wǎng)絡(luò)收斂穩(wěn)定。 （3）網(wǎng)絡(luò)層數(shù)增加，變得更加復(fù)雜了，遇到的問題變成如何從眾多網(wǎng)絡(luò)參數(shù)中找到最佳參數(shù)，包括神經(jīng)元之間的連接權(quán)值和偏置等。簡單粗暴的方法當(dāng)然就是枚舉所有可能的權(quán)值，然后優(yōu)中選優(yōu)，但對于稍微復(fù)雜的網(wǎng)絡(luò)，這種策略的計算量是天文數(shù)字，根本不可行。如何高效地找到這些能讓損失函數(shù)達(dá)到極小值的參數(shù)呢？

6、機(jī)器學(xué)習(xí)中的函數(shù)（3） - "梯度下降"走捷徑，"BP算法"提效率? 劃重點(diǎn)：基于梯度下降策略的BP算法提出，能高效地找到復(fù)雜網(wǎng)絡(luò)中損失函數(shù)的極小值，但是BP算法本身的缺點(diǎn)又限制了神經(jīng)網(wǎng)絡(luò)“變深變強(qiáng)”，神經(jīng)網(wǎng)絡(luò)研究慢慢走入低潮。 （1）為了高效地找到復(fù)雜網(wǎng)絡(luò)中損失函數(shù)的極小值，沃伯斯（Paul Werbos）提出了誤差反向傳播（error BackPropagation）BP算法，大神辛頓（Geoffrey Hinton）積極推動BP算法應(yīng)用。 （2）BP算法其實(shí)是一個雙向算法，正向傳播信號，輸出分類信息；反向傳播誤差，調(diào)整網(wǎng)絡(luò)權(quán)值 。BP算法基于梯度下降（gradient descent）策略，梯度下降法是一種常用的最優(yōu)化問題求解方法，BP算法以目標(biāo)的負(fù)梯度方向?qū)?shù)進(jìn)行調(diào)整，采用“鏈?zhǔn)椒▌t”求解復(fù)合函數(shù)的導(dǎo)數(shù)，獲得梯度值作為調(diào)整依據(jù)。 （3）BP算法的缺點(diǎn)也有很多，在神經(jīng)網(wǎng)絡(luò)的層數(shù)更多時，很容易陷入局部最優(yōu)解，亦容易過擬合，同時它也只能應(yīng)用于一個全連接的網(wǎng)絡(luò)。在上個世紀(jì)最后10年，他的這個缺陷在某種程度上又把神經(jīng)網(wǎng)絡(luò)研究送到了一個新的低潮期，什么技術(shù)進(jìn)步幫助機(jī)器學(xué)習(xí)走出這個寒冬呢？

7、機(jī)器學(xué)習(xí)中的函數(shù)（4） - 全連接限制發(fā)展，卷積網(wǎng)絡(luò)閃亮登場 劃重點(diǎn)：引入卷積核進(jìn)行特征提取，再通過池化層進(jìn)一步降低數(shù)據(jù)規(guī)模，神經(jīng)網(wǎng)絡(luò)經(jīng)過改良后，具備了“由淺變深”的能力，卷積神經(jīng)網(wǎng)絡(luò)即將出場。 （1）BP算法的種種缺陷使它終歸只能適用于“淺層”網(wǎng)絡(luò)，當(dāng)這種全連接結(jié)構(gòu)的網(wǎng)絡(luò)“變深”后，海量的連接權(quán)值難以訓(xùn)練，并且多而雜的信息獲取和處理方式使它很難提取到有用的特征，特征歸納能力差，這種“淺層”網(wǎng)絡(luò)難堪大用了，解決這個問題需要引入有“高效的執(zhí)行特征抽取”能力的網(wǎng)絡(luò)。 （2）應(yīng)用卷積進(jìn)行特征提取是卷積神經(jīng)網(wǎng)絡(luò)中的第一步，在楊立昆(Yann LeCun)提出的經(jīng)典LeNet-5神經(jīng)網(wǎng)絡(luò)中，先用卷積核完成特征提取，卷積之后再通過池化層（又稱亞采樣層）降低數(shù)據(jù)規(guī)模，進(jìn)一步完善特征提取和數(shù)據(jù)整理的工作，這樣進(jìn)入全連接層的數(shù)據(jù)品質(zhì)大大提高，不再是那種“魚龍混雜”的海量數(shù)據(jù)了，而是經(jīng)過反復(fù)提純過的優(yōu)質(zhì)數(shù)據(jù)了。這么好的工具我們怎么樣放到神經(jīng)網(wǎng)絡(luò)里？我們的主角卷積神經(jīng)網(wǎng)絡(luò)（Convolutional NeuralNetwork，CNN）要出現(xiàn)了。

8、機(jī)器學(xué)習(xí)中的函數(shù)（5） - “算法、算力，數(shù)據(jù)”已齊備，深度學(xué)習(xí)走入舞臺中心 劃重點(diǎn)：卷積神經(jīng)網(wǎng)絡(luò)通過技術(shù)創(chuàng)新成功的應(yīng)用在了機(jī)器視覺領(lǐng)域，推動深度學(xué)習(xí)進(jìn)入繁榮期，結(jié)合不同類型的應(yīng)用，RNN、GAN等網(wǎng)絡(luò)也各顯神威。 （1）典型的卷積神經(jīng)網(wǎng)絡(luò)通常由若干個卷積層（Convolutional Layer）、激活層（Activation Layer）、池化層（Pooling Layer）及全連接層（Fully Connected Layer）組成，各個層各司其職，卷積層從數(shù)據(jù)中提取有用的特征；激活層在網(wǎng)絡(luò)中引入非線性，通過彎曲或扭曲映射，來實(shí)現(xiàn)表征能力的提升；池化層通過采樣減少特征維度，并保持這些特征具有某種程度上的尺度變化不變性；在全連接層實(shí)施對象的分類預(yù)測。 （2）2012年，辛頓（Hinton）和他的博士生（Alex Krizhevsky）等提出了AlexNet ，一舉拿下當(dāng)時ImageNet比賽的冠軍。Alexnet強(qiáng)化了典型CNN的架構(gòu)，應(yīng)用到更深更寬的網(wǎng)絡(luò)中，還首次在CNN中成功應(yīng)用了ReLU、Dropout等技術(shù)。由于它的出現(xiàn)，人們更加相信深度學(xué)習(xí)可以被應(yīng)用于機(jī)器視覺領(lǐng)域，點(diǎn)燃了大家對深度學(xué)習(xí)的熱情，深度學(xué)習(xí)很快進(jìn)入了繁榮期。 （3）卷積神經(jīng)網(wǎng)絡(luò)是實(shí)現(xiàn)深度學(xué)習(xí)的重要方法之一，但它也不是能包攬所有應(yīng)用的，我們把卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Network）稱作破譯圖像的神器，把循環(huán)神經(jīng)網(wǎng)絡(luò)（ RNN，Recurrent Neural Network）定義洞悉語言的內(nèi)涵的好工具，我們引入生成對抗網(wǎng)絡(luò)（GAN, Generative Adversarial Network)，提升網(wǎng)絡(luò)性能?？傊?，結(jié)合實(shí)際應(yīng)用深度學(xué)習(xí)的技術(shù)還是在快速發(fā)展之中。

我們分享這些知識也僅僅是深度學(xué)習(xí)這個龐大的知識域中很小的一部分，比如過擬合、Relu函數(shù)，超參數(shù)，對抗網(wǎng)絡(luò)等等有趣的話題我們還沒有機(jī)會和大家一起學(xué)習(xí)。不過大家千萬不要被知識內(nèi)容的龐雜嚇到了，就像我們這四周的學(xué)習(xí)過程一樣，先把主干建立起來，當(dāng)你有一個體系化、成脈絡(luò)的知識主干后，再不斷添磚加瓦，逐步修正，你一定能修建出你自己的知識教堂來

編輯：黃飛

?