Andrew Ng對 Geoffrey Hinton 的採訪:致敬老爺子的一路堅持!
為了從中學習一下 Ng 講課的好的風格,今天專門抽出時間去看了下他最近推出的 deep learning mooc 課程,希望自己下次再給學生講深度學習的時候能夠講得更好一些。
意想不到的是課程里竟然專門有個大插曲是採訪 Hinton 的,鏈接如下:https://www.coursera.org/learn/neural-networks-deep-learning/lecture/dcm5r/geoffrey-hinton-interview
採訪時間40分鐘,是第一次聽老爺子這麼長的 interview. 他大體講述了自己在神經網路和 AI 方面四十多年的努力,一路聽來欽佩至極。之前對這位老爺子的了解就是: Godfather of Deep Learning, 大名鼎鼎的 Bool 的外孫,以及他發明的影響至今的各種 deep learning 的Landmarks:Backprop、RBM (及其學習演算法constrastive divergence) 、ReLU network、AlexNet、RMSProp、Dropout...等等。自己有幸和老爺子是愛大校友
但通過這次 interview 之後,對老爺子在神經網路和 AI 方面的一路堅持欽佩至極,70歲的人了思維依然敏捷,依然在 AI 的第一線科研當中。我大體總結一下他提到的一些關鍵的技術或者想法,以及背後的故事和啟發。
- 關於科研: "Develop your intuition, trust it and go for it. Dont be too worried even if everybody else says its nonsense." 這是老爺子給研究人員在深度學習和 AI 方面的建議。現在對於 AI 和深度學習,由於缺少深刻的理解,更多的是靠直覺去有新的想法去發展,去嘗試,誰也不敢下定論你的嘗試一定不 work。 老爺子接著強調"if you think it is really a good idea, and other people tell you it is completely nonsense, and then you know you are on to something." 老爺子用自己在神經網路方面40多年的經歷告訴我們這一點,但也必須說一下有時候沒有太大成果的時候要 face reality,這是每個做科研的都要面臨的問題,畢竟還有一些現實的壓力。 這倒是讓我想到當前 DL /RL的研究現狀,大多最前沿的方向的思路都是被大公司或者大規模的研究組統治的,因為現在太多的想法需要投入很多人力物力和計算資源去實現,大的組織很高效的實現。所以大家盡量不要完全 follow 他們的工作,盡量和他們做的不是太一樣,這樣也許會有好的結果,不然就會出現一步趕不上不不趕不上的尷尬局面。僅僅是個人觀點。
- 老爺子的 backprop 不是全新的想法,但他使得這個演算法得到了大推廣,??得益於他大力的遊說 reviewer 讓他的文章發在了 nature 上。
- 其實老爺子的很多發明都是經過漫長的嘗試摸索最終使其 work 的,relu,dropout,wake-sleep, distillation這些都是。
- 老爺子有些可惜自己關於 identity initialization 的想法沒能最終正式的 formulate 讓它 work 起來,不然沒有ResNet 什麼事了。
- 最後談一下capsule 的想法,其實這個想法 hinton 很早就有了(和他的學生 Tijmen http://www.cs.toronto.edu/~tijmen/tijmen_thesis.pdf, chap 2.3),我第一次聽到這個想法的討論還是我博士期間2014年的時候,我們幾個同事在一起討論 capsule是不是 hinton 在深度學習的下一個突破。最近hinton 在 mit 的一個 talk 也講。(鏈接在下面)
capsule 的簡單想法就是將每層的神經元進行重新有結構化的組織形成一個 capsule,這個 capsule 里包含物體識別的全部信息,比如view point, color 等等,然後將所有的 capsule 的輸出進行投票作為最終輸出,其實這一點是product of experts的想法。
就寫到這裡,附一張老爺子小時候的照片,膽子大得很!看來多少年來一直沒變,一直敢在自己堅信的領域堅持這麼多年!
推薦閱讀:
※揭開機器學習的面紗
※李宏毅機器學習2016 第三講 梯度下降
※重新理解Bias和Variance
※XGBoost/GBDT相關blog推薦
※為什麼深度學習突然在改變你的生活
TAG:人工智能 | 机器学习 | 深度学习DeepLearning |