6.25 日落的教訓

前一代神經網絡是聯結主義開創性工作的延伸。這種神經網絡能逐漸改變每一個突觸連接的數值，這些數值代表了連接的強度，即一個神經元有多大可能性能將一個信號傳遞給另一個神經元。深度學習網絡所使用的算法，在每次觀察到新圖像時都會輕微改變這些值。每個這些值都會逐漸接近能讓該神經網絡更好預測圖像內容的值。

為了達到最好效果，當前的學習算法需要人類的密切參與。這些算法中大部分都使用監督式學習，其中每一個樣本都有人類制作的關于其學習內容的標簽——比如，一張日落的照片會和“日落”的標題相關聯。在這個例子中，監督式學習算法的目標是拍攝一張照片作為輸入，然后得出圖像中關鍵對象名稱的輸出。這個輸入到輸出的數學轉換過程被稱為函數（function）。得出這一函數的那些數值——比如突觸強度——對應著一個解決該學習任務的方案。

通過死記硬背的學習方式得到正確答案會很容易，但卻沒什么用。我們希望教會該算法理解“日落”是什么，然后，讓其可以識別任何日落圖像，甚至是那些其從未在訓練中遇到過的圖像。這種辨別任何日落景象的能力——換句話說，超越特定樣本的概括性學習的能力——是所有機器學習算法的主要目標。事實上，任何網絡訓練質量的評估方式，都是使用其之前從未見過的樣本對其進行測試。對新樣本進行正確歸納有很大的難度，因為對應于任何分類（如日落）的可能變化的集合都幾乎是無限的。

為了從眾多被觀察樣本中進行成功歸納，用在深度學習網絡中的學習算法所需的不僅僅是樣本本身，還依賴于關于數據的假設以及對于一個特定問題可能的解決方案的假設。一個構建于軟件中的典型假設可能會假定：如果特定函數的數據輸入是相似的，那么，輸出也不應該出現徹底的改變——改變一張貓圖像上的幾個像素不應該將被識別的動物變成狗。

一種整合了對圖像的假設的神經網絡被稱為卷積 神 經 網 絡（convolutional neural network），它已經變成了助力人工智能復興的關鍵技術。深度學習所采用的卷積神經網絡，有許多層按某種方式組織起來的神經元，這樣可以降低輸出對變化圖像中的主要對象的敏感度，比如，當其位置輕微移動時——一個訓練良好的網絡可能能從不同照片中的不同角度識別一張臉。卷積網絡的設計靈感來自多層結構的視覺皮層——我們大腦中接收眼睛輸入的部分。卷積神經網絡中許多層的虛擬神經元是讓網絡“（具有）深度”的原因，也因此能讓其更好地理解周圍的世界。

總結

以上是生活随笔為你收集整理的《中国人工智能学会通讯》——6.25 日落的教训的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。