一文讀懂深度學(xué)習(xí)（附學(xué)習(xí)資源）

Medium上獲得超過一萬五千贊的深度學(xué)習(xí)入門指南，結(jié)合圖文為你縷清深度學(xué)習(xí)中的各個(gè)基礎(chǔ)概念的內(nèi)涵。

Image credit: Datanami

人工智能（AI）

(https://en.wikipedia.org/wiki/Artificial_intelligence)

和機(jī)器學(xué)習(xí)（ML）

(https://en.wikipedia.org/wiki/Machine_learning)

都屬于目前最熱門的話題。

在日常生活中，AI這個(gè)術(shù)語我們隨處可見。你或許會(huì)從立志高遠(yuǎn)的開發(fā)者哪那里聽說她（他）們想要學(xué)習(xí)AI。你又或許會(huì)從運(yùn)營(yíng)者那里聽到他們想要在他們的的服務(wù)中實(shí)施AI。但往往這些人中的絕大多數(shù)都并不明白什么是AI。

在你閱讀完這篇文章之后，你將會(huì)了解AI和ML的基本知識(shí)。而更重要的是，你將會(huì)明白深度學(xué)習(xí)(https://en.wikipedia.org/wiki/Deep_learning)，這類最熱門的機(jī)器學(xué)習(xí)，是如何運(yùn)作的。

這篇教程適用于所有人，所以本文并沒有涉及高級(jí)數(shù)學(xué)。

背景

理解深度學(xué)習(xí)如何工作的第一步是掌握下列重要術(shù)語之間的區(qū)別。

人工智能（AI）v.s.機(jī)器學(xué)習(xí)（ML）

人工智能是人類智能在計(jì)算機(jī)上的復(fù)制。

AI的研究之初，那時(shí)的研究人員嘗試著復(fù)制人類智能來完成像玩游戲這樣特定的任務(wù)。

他們引入了大量的計(jì)算機(jī)需要遵守的規(guī)則。有了這些規(guī)則，計(jì)算機(jī)就有了一份包含各種可能行動(dòng)的清單，并基于這些規(guī)則作出決定(https://en.wikipedia.org/wiki/Expert_system)。

機(jī)器學(xué)習(xí)，指的是機(jī)器使用大量數(shù)據(jù)集而非硬編碼規(guī)則來進(jìn)行學(xué)習(xí)的能力。

ML允許計(jì)算機(jī)通過自身來學(xué)習(xí)。這種學(xué)習(xí)方法得益于現(xiàn)代計(jì)算機(jī)的強(qiáng)大性能，性能保證了計(jì)算機(jī)能夠輕松處理樣本數(shù)巨大的數(shù)據(jù)集。

監(jiān)督學(xué)習(xí) v.s. 非監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)

(https://en.wikipedia.org/wiki/Supervised_learning)

指的是利用已標(biāo)注數(shù)據(jù)集進(jìn)行的學(xué)習(xí)，該數(shù)據(jù)中包含輸入和期望輸出。

當(dāng)你利用監(jiān)督學(xué)習(xí)來訓(xùn)練AI時(shí)，你提供給它一份輸入，并告訴它預(yù)期的輸出。

如果AI所生成的輸出是錯(cuò)誤的（譯者注：與期望輸出不同），它將重新調(diào)整計(jì)算（注：應(yīng)該是對(duì)公式的參數(shù)進(jìn)行重新計(jì)算）。這個(gè)過程將會(huì)在數(shù)據(jù)集上迭代運(yùn)行，直到AI不再犯錯(cuò)誤。

預(yù)測(cè)天氣的AI便是監(jiān)督學(xué)習(xí)的一個(gè)典型例子。它通過學(xué)習(xí)過往數(shù)據(jù)來預(yù)測(cè)未來天氣。該訓(xùn)練數(shù)據(jù)擁有輸入（氣壓，濕度，風(fēng)速）和輸出（溫度）。

非監(jiān)督學(xué)習(xí)

(https://en.wikipedia.org/wiki/Unsupervised_learning)

是機(jī)器學(xué)習(xí)應(yīng)用沒有指定結(jié)構(gòu)的數(shù)據(jù)集來進(jìn)行學(xué)習(xí)的任務(wù)。

當(dāng)你應(yīng)用非監(jiān)督學(xué)習(xí)來訓(xùn)練AI時(shí)，你可以讓AI對(duì)數(shù)據(jù)進(jìn)行邏輯分類。

電商網(wǎng)站上的行為預(yù)測(cè)AI便是非監(jiān)督學(xué)習(xí)的一個(gè)例子。它無法通過擁有輸入和輸出的已標(biāo)注數(shù)據(jù)集來進(jìn)行學(xué)習(xí)。相反地，它在輸入數(shù)據(jù)上創(chuàng)建它自己的分類。它將會(huì)告訴你哪一種用戶最可能購(gòu)買差異化的商品。

深度學(xué)習(xí)又是如何運(yùn)作的呢？

現(xiàn)在你已經(jīng)準(zhǔn)備好去理解什么是深度學(xué)習(xí)，以及它是如何運(yùn)作的。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一種方法。在給予它一組輸入后，它使我們能夠訓(xùn)練AI來預(yù)測(cè)結(jié)果。監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)都能夠用來訓(xùn)練AI。

我們將通過建立一個(gè)假設(shè)的機(jī)票價(jià)格預(yù)估系統(tǒng)來闡述深度學(xué)習(xí)是如何運(yùn)作的。我們將應(yīng)用監(jiān)督學(xué)習(xí)方法來訓(xùn)練它。

我們想要該機(jī)票價(jià)格預(yù)估系統(tǒng)基于下列輸入來進(jìn)行預(yù)測(cè)（為了簡(jiǎn)潔，我們除去了返程機(jī)票）：

起飛機(jī)場(chǎng)

到達(dá)機(jī)場(chǎng)

起飛日期

航空公司

神經(jīng)網(wǎng)絡(luò)

接下來我們將視角轉(zhuǎn)向我們的AI的大腦內(nèi)部。

和動(dòng)物一樣，我們預(yù)估系統(tǒng)AI的大腦中有神經(jīng)元。將它們用圓圈表示。這些神經(jīng)元在內(nèi)部都是相互連接的。

Image credit: CS231n

這些神經(jīng)元又被分為三種層次：

輸入層

隱藏層

輸出層

輸入層接收輸入數(shù)據(jù)。在本案例中，在輸入層中有4個(gè)神經(jīng)元：起飛機(jī)場(chǎng)，到達(dá)機(jī)場(chǎng)，起飛日期以及航空公司。輸入層將輸入傳遞給第一個(gè)隱藏層。

隱藏層針對(duì)我們的輸入進(jìn)行數(shù)學(xué)運(yùn)算。創(chuàng)建神經(jīng)網(wǎng)絡(luò)的一大難點(diǎn)便是決定隱藏層的層數(shù)，以及每層中神經(jīng)元的個(gè)數(shù)。

深度學(xué)習(xí)中的“深度”所指的是擁有多于一層的隱藏層。

輸出層返回的是輸出數(shù)據(jù)。在本案例中，輸出層返回的是價(jià)格預(yù)測(cè)。

那么它到底是如何來運(yùn)算價(jià)格預(yù)測(cè)的呢？

這便是我們將要揭曉的深度學(xué)習(xí)的奇妙之處了。

每?jī)蓚€(gè)神經(jīng)元之間的連接，都對(duì)應(yīng)著一個(gè)權(quán)重。該權(quán)重決定了輸入值的重要程度。初始的權(quán)重會(huì)被隨機(jī)設(shè)定。

當(dāng)預(yù)測(cè)機(jī)票價(jià)格時(shí)，起飛日期是決定價(jià)格的最重要的因素之一。因此，與起飛日期這個(gè)神經(jīng)元相連的連接將會(huì)有更高的權(quán)重。

Image credit: CodeProject

每個(gè)神經(jīng)元都有一個(gè)激活函數(shù)(https://en.wikipedia.org/wiki/Activation_function)。若沒有數(shù)學(xué)推導(dǎo)，這些函數(shù)十分晦澀難懂。

簡(jiǎn)而言之，激活函數(shù)的作用之一便是將神經(jīng)元的結(jié)果“標(biāo)準(zhǔn)化”。

一旦一組輸入數(shù)據(jù)通過了神經(jīng)網(wǎng)絡(luò)的所有層，神經(jīng)網(wǎng)絡(luò)將會(huì)通過輸出層返回輸出數(shù)據(jù)。

一點(diǎn)也不復(fù)雜，是吧？

訓(xùn)練神經(jīng)網(wǎng)絡(luò)

訓(xùn)練A是深度學(xué)習(xí)中最難的部分了。這又是為什么呢？

你需要一個(gè)龐大的數(shù)據(jù)集

你還需要強(qiáng)大的算力

對(duì)于我們的機(jī)票價(jià)格預(yù)估系統(tǒng)，我們需要得到過往的票價(jià)數(shù)據(jù)。由于起始機(jī)場(chǎng)和起飛時(shí)間擁有大量可能的組合，所以我們需要的是一個(gè)非常龐大的票價(jià)列表。

為了訓(xùn)練機(jī)票價(jià)格預(yù)估系統(tǒng)的AI，我們需要將數(shù)據(jù)集的數(shù)據(jù)給予該系統(tǒng)，然后將它輸出的結(jié)果與數(shù)據(jù)集的輸出進(jìn)行比對(duì)。因?yàn)榇藭r(shí)AI仍然沒有受過訓(xùn)練，所以它的輸出將會(huì)是錯(cuò)誤的。

一旦我們遍歷完了整個(gè)數(shù)據(jù)集，我們便能創(chuàng)造出一個(gè)函數(shù)，該函數(shù)告訴我們AI的輸出和真實(shí)輸出到底相差多少。這個(gè)函數(shù)我們稱為損失函數(shù)。

在理想情況下，我們希望我們的損失函數(shù)為0，該理想情況指的是AI的輸出和數(shù)據(jù)集的輸出相等之時(shí)。 

如何減小損失函數(shù)呢？

改變神經(jīng)元之間的權(quán)重。我們可以隨機(jī)地改變這些權(quán)重直到損失函數(shù)足夠小，但是這種方法并不夠高效。

取而代之地，我們應(yīng)用一種叫做梯度下降(https://en.wikipedia.org/wiki/Gradient_descent)的技巧。

梯度下降是一種幫助我們找到函數(shù)最小值的技巧。在本案例中，我們尋找損失函數(shù)的最小值。

在每次數(shù)據(jù)集迭代之后，該方法以小增量的方式改變權(quán)重。通過計(jì)算損失函數(shù)在一組確定的權(quán)重集合上的導(dǎo)數(shù)（梯度），我們便能夠知悉最小值在哪個(gè)方向。

Image credit: Sebastian Raschka

為了最小化損失函數(shù)，你需要多次迭代數(shù)據(jù)集。這便是需要高算力的原因了。

利用梯度下降更新權(quán)重的過程是自動(dòng)進(jìn)行的。這便是深度學(xué)習(xí)的魔力所在！

一旦我們訓(xùn)練好機(jī)票價(jià)格預(yù)估的AI之后，我們便能夠用它來預(yù)測(cè)未來的價(jià)格了。

拓展閱讀

神經(jīng)網(wǎng)絡(luò)有非常多的種類：用于計(jì)算機(jī)視覺(https://en.wikipedia.org/wiki/Computer_vision)的卷積神經(jīng)網(wǎng)絡(luò)(https://en.wikipedia.org/wiki/Convolutional_neural_network)以及應(yīng)用于自然語言處理(https://en.wikipedia.org/wiki/Natural_language_processing)的循環(huán)神經(jīng)網(wǎng)絡(luò)(https://en.wikipedia.org/wiki/Recurrent_neural_network)。

如果你想要學(xué)習(xí)深度學(xué)習(xí)的技術(shù)細(xì)節(jié)，我建議你參加一個(gè)在線課程。

吳恩達(dá)(https://medium.com/@andrewng)的深度學(xué)習(xí)專項(xiàng)課程(https://www.coursera.org/specializations/deep-learning)是當(dāng)下最好的深度學(xué)習(xí)課程之一。如果你并不需要一個(gè)證書，你便可以免費(fèi)旁聽這門課程。

小結(jié)

1. 深度學(xué)習(xí)應(yīng)用神經(jīng)網(wǎng)絡(luò)來模仿動(dòng)物智能。

2. 神經(jīng)網(wǎng)絡(luò)中有三個(gè)層次的神經(jīng)元：輸入層、隱藏層以及輸出層。

3. 神經(jīng)元之間的連接對(duì)應(yīng)一個(gè)權(quán)重，該權(quán)重決定了各輸入數(shù)據(jù)的重要程度。

4. 神經(jīng)元中應(yīng)用一個(gè)激活函數(shù)來“標(biāo)準(zhǔn)化”神經(jīng)元輸出的數(shù)據(jù)。

5. 你需要一個(gè)龐大的數(shù)據(jù)集來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

6. 在數(shù)據(jù)集上迭代并與輸出結(jié)果相比較，我們將會(huì)得到一個(gè)損失函數(shù)，損失函數(shù)能告訴我們AI生成的結(jié)果和真實(shí)結(jié)果相差多少。

7. 在每次數(shù)據(jù)集的迭代之后，都會(huì)利用梯度下降方法調(diào)整神經(jīng)元之間的權(quán)重，以減小損失函數(shù)。