深度學習算法的幾個難點_數(shù)據(jù)分析師培訓

1、局部最優(yōu)問題。

深度學習算法的目標函數(shù)，幾乎全都是非凸的。而目前尋找最優(yōu)解的方法，都是基于梯度下降的。稍微有點背景知識的人都知道，梯度下降方法是解決不了非凸問題的。因此，如果找到最優(yōu)解，將是深度學習領(lǐng)域，非常值得研究的課題。

andrew在google的工作，也就是那只貓，其實訓練過程是讓人很費解的。為了縮短訓練時間，項目組采用了分布式訓練的方式。采用了1000臺計算機，在不同的計算機上存儲不同的訓練數(shù)據(jù)，不同的訓練服務(wù)器通過參數(shù)服務(wù)器進行參數(shù)的交換。{CDA數(shù)據(jù)分析師培訓}訓練過程開始后，所有的訓練計算機從參數(shù)服務(wù)器更新當前參數(shù)，然后利用當前參數(shù)以及本機器上的訓練數(shù)據(jù)，計算得到當前的梯度，通過貪婪式方法，訓練到不能再訓練為止，然后將參數(shù)的更新量提交給服務(wù)器，再獲取新的參數(shù)進行更新。

在這個過程中，出現(xiàn)了不同機器在同步時間上的一個大問題。具體闡述如下：梯度下降這種方法，在計算梯度的時候，一定要知道當前參數(shù)的具體值，梯度是針對某一個具體的參數(shù)值才有意義的。但是，由于在這個系統(tǒng)中，計算機非常多，當計算機A從服務(wù)器上獲得參數(shù)值后，完成梯度的計算得到步進量的時候，可能在它提交結(jié)果之前，計算機B已經(jīng)修改了參數(shù)服務(wù)器上的參數(shù)了。也就是說，A所得到的步進量，并不是針對當前的參數(shù)值的。

論文中，作者注意到了這個問題，但是故意不去理會，結(jié)果訓練結(jié)果居然不錯。作者的解釋是：這是一種歪打正著的現(xiàn)象。

為什么能夠歪打正著呢？有可能是這樣的：非凸問題，本來就不是梯度下降法能夠解決的。如果不存在同步難題，那么隨著訓練的深入，結(jié)果肯定會收斂到某一個局部最優(yōu)解上面去。而現(xiàn)在這種同步問題，恰好能夠有助于跳出局部最優(yōu)解。因此最終的訓練結(jié)果還算不錯。

作者并沒有證明，這種方式，對于尋找全局最優(yōu)一定是有幫助的。對于最終的結(jié)果是否一定是經(jīng)驗最優(yōu)的，也沒有證明。因此我感覺，深度學習里面，這種超高維參數(shù)的最優(yōu)結(jié)果的尋優(yōu)，是一個很值得深入研究的問題。它對于最終的效果也確實影響很大。

2、內(nèi)存消耗巨大，計算復雜。

內(nèi)存消耗巨大和計算復雜體現(xiàn)在兩個方面。（1）訓練過程。（2）檢測過程。

這兩個過程的計算復雜，根本原因都是龐大的參數(shù)規(guī)模造成的。比如google的這個項目，每一個位置都用到了8個模版，每一個像素，這8個模版都是不同的，因此導致最后的模版總數(shù)很大，所以訓練和檢測都很慢。當然，這種模版的設(shè)計法，讓人不好理解，為什么不同的像素位置，模版完全不同。我還是支持以前的卷積神經(jīng)網(wǎng)絡(luò)里面的思想，不同位置的模版都是一樣的，但沒一個位置，模版數(shù)量就遠不止8個了。這樣的好處是，內(nèi)存空間中，總的模板數(shù)下降了；但缺點是，計算更復雜了。

因此，如果能夠找到一個好的方法，能夠有效的較低計算復雜度，將是很有意義的。（比如某個鄰域內(nèi)如果方差極小，其實根本就沒必要計算了，直接賦0.）

3、人腦機理還有很多沒用上。

深度學習模擬的是人腦的其中一個很小的方面，就是：深度結(jié)構(gòu)，以及稀疏性。

但事實上，人腦是相當復雜滴。關(guān)于視覺注意機制、多分辨率特性、聯(lián)想、心理暗示等功能，目前根本就沒有太多的模擬。所以神經(jīng)解剖學對于人工智能的影響應(yīng)該是蠻大的。將來要想掀起機器智能的另一個研究高潮，估計還得繼續(xù)借鑒神經(jīng)解剖學。

4、人為設(shè)計模版的可行性。

一直在想，為什么第一層用于檢測角點和邊緣這種簡單特征的模版，一定需要通過無監(jiān)督訓練得到，如果人為實現(xiàn)模擬的話，能否也得到較為理想的結(jié)果呢？

從神經(jīng)解剖學的成果上來看，人腦的v1區(qū)和v2區(qū)，神經(jīng)細胞確實是按照規(guī)律排列的。而且都是可以人為設(shè)計的。而且，一個讓人懷疑的地方就是，v1區(qū)和v2區(qū)的神經(jīng)細胞，是先天發(fā)育好的，還是后天訓練出來的？如果是先天的，那就是說，這種模版是可以人為設(shè)計的。

5、代價函數(shù)的設(shè)計方法。

代價函數(shù)的設(shè)計，在初學者看來，是很奇怪的。代價函數(shù)的設(shè)計，直接影響到最終的模版訓練結(jié)果，可以說是深度學習中最核心的模塊。

從目前已經(jīng)發(fā)表的論文來看，一是考慮重構(gòu)誤差，二是加入某種懲罰項。懲罰項的設(shè)計有多種模式，有考慮一階范式的，有考慮二階范式的，各種設(shè)計可謂千奇百怪。有博文上講到，懲罰項的作用是為了防止過擬合，但也有博文的觀點是，懲罰項是為了保證稀疏性。（感覺過擬合與稀疏性是否存在某種內(nèi)在聯(lián)系。）

當然，代價函數(shù)的設(shè)計方法，目前還在不斷探索，感覺這是一個可以發(fā)論文的點。

6、整個神經(jīng)網(wǎng)絡(luò)系統(tǒng)的設(shè)計。

神經(jīng)網(wǎng)絡(luò)的設(shè)計方法，包含了研究人員對人腦的理解方式。CNN、RBM，以及andrew項目組設(shè)計的變態(tài)網(wǎng)絡(luò)，都各有各的特色。要把整個網(wǎng)絡(luò)框架設(shè)計好，還是比較需要經(jīng)驗的，也是相當費腦力的。當然，這是整個領(lǐng)域最有研究價值的模塊。