前言

深度學(xué)習(xí)和人腦有什么關(guān)系？計(jì)算機(jī)是如何識(shí)別各種物體的？我們?cè)鯓訕?gòu)建人工大腦？這是深度學(xué)習(xí)入門者繞不過的幾個(gè)問題。很幸運(yùn)，這里有位大牛很樂意為你講解。LeCun從鳥類對(duì)飛行器發(fā)明的影響開始講起，層層遞進(jìn)、逐步深入到深度學(xué)習(xí)的本質(zhì)，可以說非常新手友好了。機(jī)不可失，還不來(lái)圍觀這堂由大神親自授課的深度學(xué)習(xí)入門指南？

講座的主要內(nèi)容：

今天來(lái)，給大家簡(jiǎn)單介紹一下深度學(xué)習(xí)。但我們不從AI開始講起，而是從人類發(fā)明飛行器開始講。

依照達(dá)芬奇飛行器草圖做的第一款飛行器，完全照搬了鳥類的外形。那時(shí)候根本不知道飛行底層的原理，所以只能從自然界的生物獲得靈感，照葫蘆畫瓢。

第一次飛行，只成功離地15公分，還是20公分的樣子，飛行器就掛了。所以我們還是需要更系統(tǒng)的方法，就是后來(lái)萊特兄弟造飛行器用到的一套方法，飛行終于成為了現(xiàn)實(shí)。

一般來(lái)說，理論認(rèn)知都是在實(shí)踐積累之后才有的。

飛行就說這么多。

那么問題來(lái)了。

人工智能可以從大自然里獲得靈感嗎？

很明顯，這個(gè)想法很舊啦。我們先看一下生物界的智能體。

人類的大腦，差不多有850億個(gè)神經(jīng)元。而每個(gè)神經(jīng)元都有上萬(wàn)個(gè)突觸，在一千到十萬(wàn)個(gè)之間不等。人腦相當(dāng)高效，能耗才25瓦特，是PC的十分之一。

每個(gè)有大腦的動(dòng)物都能學(xué)習(xí)，不同動(dòng)物的學(xué)習(xí)方式可能不同，有些比較簡(jiǎn)單。它們并不需要特別好的視覺，或者其他智能體的教導(dǎo)，就能自己去學(xué)。

我們嘗試找出動(dòng)物學(xué)習(xí)的機(jī)制，然后用來(lái)訓(xùn)練機(jī)器學(xué)習(xí)。

慢慢地，從1940年起，就有了打造智能機(jī)器的想法。于是就冒出來(lái)了感知機(jī)（Perceptron）。

它不是一臺(tái)計(jì)算機(jī)，而是一個(gè)計(jì)算機(jī)模擬器。輸入值是電壓，超過某個(gè)閾值，就打開。低于閾值，就關(guān)閉。而權(quán)重是可以被訓(xùn)練的，就像一個(gè)可旋轉(zhuǎn)調(diào)節(jié)的鈕。

盡管現(xiàn)在我們可以用三行Python代碼實(shí)現(xiàn)它，但在那年代已經(jīng)算是大型的計(jì)算機(jī)了。

這個(gè)感知機(jī)是怎么運(yùn)轉(zhuǎn)起來(lái)的呢？

原理是很簡(jiǎn)單的，你需要先集齊一堆訓(xùn)練數(shù)據(jù)。

比如說任務(wù)是圖像識(shí)別，那么輸入就是圖像的一個(gè)個(gè)像素。當(dāng)每個(gè)像素用0，1表示時(shí)，那么就可以組成一串?dāng)?shù)字。

你給機(jī)器一張圖，字母A，然后輸出應(yīng)該是1。那么訓(xùn)練的時(shí)候，就讀取圖像中的像素，調(diào)高那些能增強(qiáng)最終結(jié)果是1，也就是判定字母是A的像素的權(quán)重，并調(diào)低偏離最終結(jié)果的像素的權(quán)重。

數(shù)學(xué)上只需要一行Python代碼就可以搞定。

事實(shí)上，雖然這個(gè)辦法是直覺上想出來(lái)的，但后來(lái)幾年發(fā)現(xiàn)這個(gè)問題可以總結(jié)成幾個(gè)方程，也是受到了生物學(xué)的啟發(fā)。

我們回到人的大腦是怎么學(xué)習(xí)的。

每個(gè)神經(jīng)元是通過突觸來(lái)連接其他神經(jīng)元，從而傳遞信號(hào)。

但數(shù)學(xué)上，這個(gè)概念被簡(jiǎn)化了，將感知機(jī)里的權(quán)重看成一個(gè)個(gè)的旋鈕。

對(duì)于具體的輸入，根據(jù)輸出的錯(cuò)誤再調(diào)參數(shù)，訓(xùn)練，重復(fù)，直到目標(biāo)函數(shù)的值越來(lái)越小（目標(biāo)函數(shù)的值，表示的是你得到的輸出和你想要的輸出的差值）。

這叫做梯度下降（gradient descent），依然是很簡(jiǎn)單的數(shù)學(xué)問題。

舉個(gè)稍微復(fù)雜一點(diǎn)的例子，我們要做一個(gè)圖片分類器，辨識(shí)汽車、飛機(jī)、椅子等物體。

它們的外觀千變?nèi)f化，我們?cè)鯓幼層?jì)算機(jī)認(rèn)出每一類物體呢？

這需要依賴大量的手動(dòng)調(diào)整。給系統(tǒng)一張車的照片，如果系統(tǒng)將它認(rèn)成車，紅燈亮起。如果紅燈不亮，就調(diào)整這些按鈕，讓紅燈的亮度增強(qiáng)；輸入飛機(jī)的圖片，調(diào)整按鈕，讓綠燈亮度增強(qiáng)。

輸入足夠多的訓(xùn)練數(shù)據(jù)不停調(diào)整按鈕，直到機(jī)器能夠辨認(rèn)出來(lái)它從來(lái)沒見過的相片為止，那么就算訓(xùn)練成功了。

你們肯定會(huì)問，這個(gè)能識(shí)別圖像的神秘盒子里到底裝了什么？

這個(gè)答案，在過去的幾十年里，一直在變。

傳統(tǒng)的模式識(shí)別，是給它一張圖，然后過一個(gè)特征提取器。這個(gè)特征提取器是人工搭建的，把這些圖像的像素變成一串?dāng)?shù)字，然后用簡(jiǎn)單的算法吸收消化，得到這張圖的內(nèi)容。這種方法在深度學(xué)習(xí)出現(xiàn)以前一直都在用。

而深度學(xué)習(xí)是把模塊分成可以被訓(xùn)練的好幾層。就像視覺信號(hào)的傳遞一樣，需要多步來(lái)提取信息。

下一個(gè)我們要問的問題是，我們應(yīng)該往這些可訓(xùn)練的模塊箱里放什么東西？

“多層”的概念是50年代提出的，到80年代時(shí)用的人稍微多了起來(lái)。

每一層都是由簡(jiǎn)單的單元組成，而單元又是基于上一層的輸入，經(jīng)過不同程度的權(quán)重處理得到的。然后如果值超過閾值，就繼續(xù)往下走，低于閾值就不取。

那么，我們要如何訓(xùn)練機(jī)器呢？

這其實(shí)是不斷調(diào)小偏差的過程。問題的關(guān)鍵在于往什么方向調(diào)整參數(shù)、調(diào)整到什么程度，才可以拿到我們想要的輸出。

1980年，這個(gè)問題才有了解決方案。

這個(gè)方案是一個(gè)復(fù)雜的數(shù)學(xué)概念的實(shí)際應(yīng)用， 叫鏈?zhǔn)椒▌t（Chain rule）。

當(dāng)你有一個(gè)網(wǎng)絡(luò)的時(shí)候， 你有的是連續(xù)的功能區(qū)塊（Functional block）。

每一個(gè)區(qū)塊或者做矩陣乘法，或者是給每個(gè)輸入做一個(gè)非線性的運(yùn)算。我們來(lái)看看系統(tǒng)之中分離出來(lái)的一個(gè)區(qū)塊。

你可以簡(jiǎn)單地算出來(lái)輸出值。比如說這是一個(gè)線性的矩陣乘法模塊，參數(shù)乘以向量，這樣你就能拿到輸出的向量。這兩個(gè)區(qū)塊有不一樣的維度。

現(xiàn)在假設(shè)，對(duì)于每個(gè)向量中任何元素的調(diào)整，我們都知道損失會(huì)往什么方向變化。

損失函數(shù)的斜率，表示的是我們得到的輸出和我們想要輸出的差值。通過計(jì)算，可以得出圖中綠色的向量，從上到下計(jì)算一個(gè)遞歸公式，通過反向傳播，就能得到cost和所有模塊相關(guān)的梯度。

很多現(xiàn)在的平臺(tái)，在你寫程序定義網(wǎng)絡(luò)后，都可以自動(dòng)運(yùn)行反向傳播，計(jì)算梯度。

這些問題都解決了之后呢，我們就可以建一個(gè)人工的大腦了嗎？

要知道，人腦每秒可以做10的17次方的運(yùn)算，神經(jīng)元數(shù)量達(dá)到10的11次方。

我們來(lái)看一款運(yùn)算速度很快的芯片。右下角的英偉達(dá)Titan-V，這個(gè)GPU每秒可做10的15次方運(yùn)算，比人腦要慢100倍。

所以大家算算，即使芯片的速度翻一倍要18個(gè)月的話，那還要多長(zhǎng)時(shí)間能達(dá)到和我們?nèi)四X一樣？如果要讓芯片在合理的大小范圍的話，我認(rèn)為我們還要等多幾十年。

但這個(gè)不是主要問題。主要問題是我們不知道怎么編程它們、怎么訓(xùn)練它們、訓(xùn)練原則是什么。

這個(gè)GPU很便宜，才3000刀，但是現(xiàn)在大家都在買來(lái)挖礦，所以已經(jīng)買不到了。

我說過很多次了，如果在我職業(yè)生涯中，能夠造一個(gè)智能體，像大鼠一樣具有常識(shí)，我會(huì)感到很開心很滿足。我們現(xiàn)在也許有相應(yīng)的算力了，但我們還沒有搞清楚潛在原則。現(xiàn)在是這個(gè)底層原理限制住了。

好啦，現(xiàn)在我們來(lái)跳出來(lái)看看生物還有沒有給我們別的啟發(fā)。

Hubel & Wiesel 1962這個(gè)生物研究工作太有名了，大家都知道的，是70年代拿了諾貝爾獎(jiǎng)的。工作本身是在60年代做的，是視覺信號(hào)傳遞的生理結(jié)構(gòu)。

簡(jiǎn)單的細(xì)胞檢測(cè)位置信息，復(fù)雜的細(xì)胞整合簡(jiǎn)單細(xì)胞受到刺激的信息。

所以，如果有一個(gè)特殊的動(dòng)機(jī)，稍微移動(dòng)一點(diǎn)，復(fù)雜細(xì)胞都會(huì)被激活。

Fukushima 1982年造了一個(gè)計(jì)算模型，就是描述簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞之間的層級(jí)關(guān)系。這個(gè)是80年代的工作，那時(shí)候還沒有合適的學(xué)習(xí)算法。所以用了其他的非監(jiān)督型算法。

后來(lái)，我受到這個(gè)算法啟發(fā)，造了一個(gè)含有相似構(gòu)造的網(wǎng)絡(luò)，用反向傳播算法來(lái)訓(xùn)練，就是我們平時(shí)說的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。

下面是卷積神經(jīng)網(wǎng)絡(luò)的示意圖。

圖像中的像素會(huì)激活CNN中的單元。但我不敢稱他們?yōu)樯窠?jīng)元，不然神經(jīng)科學(xué)家會(huì)不爽。因?yàn)楸绕鹕窠?jīng)元來(lái)說，這些單元實(shí)在是太簡(jiǎn)單了。

每個(gè)單元，看起來(lái)像patch。這些單元會(huì)和閾值比，比他們高，就打開。低的話就關(guān)上。

可以看到這個(gè)用激光筆指出的patch是系數(shù)。

左邊這個(gè)是輸入patch，把系數(shù)向量和輸入向量乘在一起。用系數(shù)把整個(gè)輸入刷一遍，然后你記錄就能得到右邊的結(jié)果。

如果它們能夠匹配的話，就得到高度激活的結(jié)果，不匹配就得到非激活的結(jié)果。

這在數(shù)學(xué)上就叫做離散型卷積。

經(jīng)過了層層卷積核的系數(shù)處理，最后得到的是最右邊的壓縮過的信息。

我們90年代中期的時(shí)候弄了一個(gè)很牛的模型。不僅能夠認(rèn)出來(lái)一個(gè)字母，還能認(rèn)出多個(gè)字母，還不用先分割開。當(dāng)時(shí)如果用經(jīng)典數(shù)學(xué)算法就必須先分割。

等到無(wú)法從圖像中分割出物體時(shí)，我們模型的重要性就顯現(xiàn)出來(lái)了。

這個(gè)模型中每一層都是卷積的，同時(shí)進(jìn)行分割和識(shí)別。

這是那個(gè)時(shí)候年輕的我，把一張紙條放在一個(gè)攝像頭下面，然后按一下鍵盤。這是1993年的時(shí)候（嘴上說的是1992年）。

這是我在新澤西的時(shí)候貝爾實(shí)驗(yàn)室那會(huì)兒的電話號(hào)碼，現(xiàn)在已經(jīng)不用了。

在幾秒鐘之內(nèi)，就可以處理圖像，識(shí)別出數(shù)字。

訓(xùn)練數(shù)據(jù)量不用很多，哪怕是很小的、不同的手寫體，都能識(shí)別成這樣，效果很不錯(cuò)了。

為了以合適的速度跑起來(lái)這個(gè)程序，我們用了特殊的硬件DSP 32C，速度可到 20 FLOPS。最后，我們用這個(gè)造了一個(gè)可以識(shí)別支票的系統(tǒng)。于1996年左右開始鋪開使用。

到90年代末，這套系統(tǒng)已經(jīng)在處理10%到20%左右的支票了。如果你夠老的話，也許你的支票被這套系統(tǒng)讀取過。

這么看，這套系統(tǒng)還是挺成功的。可惜在90年代中期，在機(jī)器學(xué)習(xí)圈里，大家對(duì)神經(jīng)網(wǎng)絡(luò)的熱情消失了。

很大一個(gè)原因是，這套系統(tǒng)需要大量的計(jì)算力投入才軟件系統(tǒng)里。這樣才有可能跑起來(lái)。

這一切都發(fā)生在MATLAB、微軟系統(tǒng)、Linux出現(xiàn)之前，AT&T都還沒公開相應(yīng)的硬件資源。沒有大型計(jì)算機(jī)，或大型數(shù)據(jù)集，大家做這個(gè)都只能靠直覺。

其實(shí)在那個(gè)時(shí)候，很多東西都很玄學(xué)，我們并不能從數(shù)學(xué)的角度去解釋他們。

不能解釋背后的原理的話，就沒辦法形成一套理論。沒有理論就很混亂，都發(fā)不了文章。

哪怕事實(shí)上，這些方法是可用的，但是也被拋棄了。

不過我們當(dāng)中的某些人，知道，這方法最終還是會(huì)回來(lái)的。因?yàn)樵谀承┣闆r下，這套方法是更好的。

因?yàn)樗鼈儠?huì)自己學(xué)習(xí)，不僅僅是識(shí)別圖像，還能夠抽象地表示這個(gè)世界。它們能夠找到事物的本質(zhì)，然后找到不同部分之間的聯(lián)系，然后組裝成以個(gè)整體。它們做的事情很強(qiáng)大，所以也需要更多的數(shù)據(jù)。

在1996年和2002年之間，我?guī)缀跬Ｖ沽诉@方面的研究，改做圖像壓縮。

2003年的時(shí)候我又開始搞回這個(gè)了。我們做了一輛有兩個(gè)攝像頭小車，讓人來(lái)控制它，當(dāng)距離障礙物2米的時(shí)候，我們會(huì)控制它向左轉(zhuǎn)或向右轉(zhuǎn)來(lái)避開障礙物。然后，我們訓(xùn)練一個(gè)CNN來(lái)看兩個(gè)攝像頭采到的畫面，去預(yù)測(cè)方向盤轉(zhuǎn)向的角度。

只需要20分鐘的訓(xùn)練數(shù)據(jù)，這個(gè)CNN就可以自己開車了！遇到障礙物的時(shí)候，它會(huì)自行轉(zhuǎn)向避開。

在這套系統(tǒng)的啟發(fā)下，DARPA舉辦了LAGR（Learning Applied to Ground Vehicles），一個(gè)150萬(wàn)美元的項(xiàng)目。

你可以看到這個(gè)機(jī)器人有四個(gè)攝像頭，內(nèi)部裝了三臺(tái)計(jì)算機(jī)，可以在自然環(huán)境中自動(dòng)行駛。我們訓(xùn)練了一個(gè)CNN，讓它告訴我們?cè)诋嬅嫔希男﹨^(qū)域是可以順利通過的。

使用傳統(tǒng)的立體視覺成像技術(shù)，也能實(shí)現(xiàn)這個(gè)功能。但是，立體成像很貴，工作范圍也很有限，大概能做到10米的距離。

這就是CNN的一種用途。

很快我們就意識(shí)到，不能只是標(biāo)記一個(gè)區(qū)域能不能通過，更有意思的是，看圖中的某些像素屬于哪個(gè)物體。（物體識(shí)別分類）。

舉個(gè)例子來(lái)說，這些是天，樹，窗，路等等。

這是有人騎著自行車上路拍到的第一人稱視角畫面，這個(gè)算法不能說完美，它認(rèn)為這里是沙漠，實(shí)際上在曼哈頓不可能有沙漠。

不過，它識(shí)別行人等主要目標(biāo)的能力都不錯(cuò)，而且即使在普通電腦上跑，也比當(dāng)時(shí)最領(lǐng)先的系統(tǒng)快100倍。這個(gè)算法讓很多人產(chǎn)生了靈感，認(rèn)為我們能把它用到無(wú)人駕駛上。

2014年，有兩個(gè)公司很快就把這個(gè)技術(shù)拿過去用了。一個(gè)是MobilEye，另一個(gè)是Nvidia。

2010年之前，這些研究都在低調(diào)地進(jìn)行著，后來(lái)，事情有了變化。

2011年的時(shí)候，深度學(xué)習(xí)在語(yǔ)音識(shí)別上有了重大的進(jìn)展。

在2012年年底，深度學(xué)習(xí)在ImageNet比賽上一舉成名。ImageNet數(shù)據(jù)集包含1000類物體的130萬(wàn)張照片，傳統(tǒng)圖像分類算法在這個(gè)數(shù)據(jù)集上取得的最低錯(cuò)誤率大約是26%。

2012年，一個(gè)多倫多大學(xué)做出來(lái)的大型CNN，將錯(cuò)誤率降到了15%。他們是第一個(gè)正式用GPU跑這么大的CNN的團(tuán)隊(duì)。

于是，突然之間，整個(gè)計(jì)算機(jī)視覺領(lǐng)域都開始使用這項(xiàng)技術(shù)。我從來(lái)沒見過一個(gè)研究領(lǐng)域如此快速地從一種技術(shù)轉(zhuǎn)向另一種。

其實(shí)就在2011年，我們還提交了一篇論文到CVPR。這篇論文打敗了當(dāng)時(shí)最好的記錄，但是卻被拒了。因?yàn)槟莻€(gè)時(shí)候人們都不相信CNN能取得這么好的成績(jī)。因?yàn)榇蠹覜]見過，于是，他們就主觀臆斷地認(rèn)為我們犯規(guī)了之類的。

但是3年之后，世道完全反過來(lái)了。你不用CNN，文章都不可能被接收。

不過這也不是一件好事。因?yàn)檫@樣會(huì)滅殺多樣性。講這件事是想讓大家知道，這在當(dāng)時(shí)是一個(gè)多么重大的革命。

這些網(wǎng)絡(luò)都特別大，有上百萬(wàn)個(gè)按鈕、單元和權(quán)重。網(wǎng)絡(luò)的第一層檢測(cè)的都是一些基本motif，比如邊緣、線條等等。

有的CNN多達(dá)50層，甚至更多。為什么我們需要這么多層？

神經(jīng)網(wǎng)絡(luò)的多層架構(gòu)對(duì)應(yīng)著數(shù)據(jù)的組成型結(jié)構(gòu)，不同層檢測(cè)不同的特征，比如線條、邊緣等底層特征，圓圈、弧線、角等中層特征，更接近圖形的高層特征。

這個(gè)世界的所有事物呈現(xiàn)都是分層的。比如文本，就是從字母，字，詞，從句，句子，段落組成的。

愛因斯坦曾經(jīng)說過，這個(gè)世界最不可思議的事，是所有東西都是可以被理解的。

世界上最令人費(fèi)解的事情是，世界是可以理解的。

過去幾年大量的公司做了很多努力，讓這些技術(shù)落地，并規(guī)模化。

開始列舉最近各種研究進(jìn)展

比如說，我們現(xiàn)在用256個(gè)CNN，1小時(shí)就能完成在整個(gè)ImageNet上的訓(xùn)練，錯(cuò)誤率達(dá)到23.74。

計(jì)算機(jī)視覺的最前沿研究Mask R-CNN，可以做物體分割，關(guān)鍵點(diǎn)檢測(cè)，人體姿態(tài)捕捉等等。用Sparse ConvNet還可以做3D語(yǔ)義分割——

另外，CNN還能用在和視覺沒什么關(guān)系的領(lǐng)域，比如做翻譯。這對(duì)于Facebook來(lái)說很有用，幫助用戶翻譯短篇的文章。

今天分享提到的很多資料，都是開源的。

卷積神經(jīng)網(wǎng)絡(luò)可以應(yīng)用在很多領(lǐng)域，比如在無(wú)人駕駛上，可以幫機(jī)器用視覺感知環(huán)境。在醫(yī)學(xué)影像、基因?qū)W、物理學(xué)等等各種領(lǐng)域都有應(yīng)用，而且?guī)缀趺刻於加行碌穆涞仡I(lǐng)域出現(xiàn)。

深度學(xué)習(xí)不僅能感知，還能推理。

比如說，我們可以根據(jù)一張圖片，提出問題，

下圖中方塊的數(shù)量比黃色的物體多嗎？

如果是人類來(lái)回答這個(gè)問題，需要分別數(shù)一數(shù)方塊和黃色物體的數(shù)量，然后比較這兩個(gè)數(shù)量的大小。

對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說，就需要一個(gè)模塊來(lái)分類出方塊和黃色物體，另一個(gè)模塊來(lái)數(shù)數(shù)，還需要一個(gè)模塊比較大小給出答案。

這個(gè)神經(jīng)網(wǎng)絡(luò)是動(dòng)態(tài)的會(huì)隨著輸入的變化而變化，輸入會(huì)決定神經(jīng)網(wǎng)絡(luò)的架構(gòu)。

另外，用記憶模塊來(lái)增強(qiáng)神經(jīng)網(wǎng)絡(luò)也是一個(gè)很有意思的研究方向。

在講座中，立昆老師又提到了他最近推崇的可微分編程。感興趣的同學(xué)可以閱讀之前的文章，以及自行看視頻。

最后，立昆老師還強(qiáng)調(diào)了一點(diǎn)：目前，機(jī)器并沒有通用的智能，也沒有嘗常識(shí)。

未來(lái)智能實(shí)驗(yàn)室是人工智能學(xué)家與科學(xué)院相關(guān)機(jī)構(gòu)聯(lián)合成立的人工智能，互聯(lián)網(wǎng)和腦科學(xué)交叉研究機(jī)構(gòu)。由互聯(lián)網(wǎng)進(jìn)化論作者，計(jì)算機(jī)博士劉鋒與中國(guó)科學(xué)院虛擬經(jīng)濟(jì)與數(shù)據(jù)科學(xué)研究中心石勇、劉穎教授創(chuàng)建。

未來(lái)智能實(shí)驗(yàn)室的主要工作包括：建立AI智能系統(tǒng)智商評(píng)測(cè)體系，開展世界人工智能智商評(píng)測(cè)；開展互聯(lián)網(wǎng)（城市）云腦研究計(jì)劃，構(gòu)建互聯(lián)網(wǎng)（城市）云腦技術(shù)和企業(yè)圖譜，為提升企業(yè)，行業(yè)與城市的智能水平服務(wù)。