LeCun親授的深度學習入門課：從飛行器的發明到卷積神經網路

Root 編譯整理

量子位 出品 | 公眾號 QbitAI

深度學習和人腦有什麼關係？計算機是如何識別各種物體的？我們怎樣構建人工大腦？

這是深度學習入門者繞不過的幾個問題。很幸運，這裡有位大牛很樂意為你講解。

2月6日，UCLA（加州大學洛杉磯分校）與純數學與應用數學研究所（IPAM）跨界組織主辦的論壇上，「卷積神經網路之父」Yann LeCun操著一口濃重的法國口音，給數學界的科學家們介紹了深度學習。

LeCun從鳥類對飛行器發明的影響開始講起，層層遞進、逐步深入到深度學習的本質，可以說非常新手友好了。

機不可失，還不來圍觀這堂由大神親自授課的深度學習入門指南？

快去搬凳搶座！

量子位首先搬運了全程視頻（當然，是生肉），歡迎去量子位公眾號（QbitAI）觀看。

當然，還整理了講座的主要內容：

今天在座的都是數學大神。

我呢，既不是數學家，也沒拿諾貝爾獎。感覺站這兒份量不太夠。

以前專業是工程學，不過炸過一些東西，後來就轉軟體了（不然世界怎麼樣就不好說了）。

今天來，給大家簡單介紹一下深度學習。

但我們不從AI開始講起，而是從人類發明飛行器開始講。

依照達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的方法，就是後來萊特兄弟造飛行器用到的一套方法，飛行終於成為了現實。

一般來說，理論認知都是在實踐積累之後才有的。

飛行就說這麼多。

那麼問題來了。

人工智慧可以從大自然里獲得靈感嗎？

很明顯，這個想法很舊啦。我們先看一下生物界的智能體。

人類的大腦，差不多有850億個神經元。而每個神經元都有上萬個突觸，在一千到十萬個之間不等。人腦相當高效，能耗才25瓦特，是PC的十分之一。

每個有大腦的動物都能學習，不同動物的學習方式可能不同，有些比較簡單。它們並不需要特別好的視覺，或者其他智能體的教導，就能自己去學。

我們嘗試找出動物學習的機制，然後用來訓練機器學習。

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

它不是一台計算機，而是一個計算機模擬器。輸入值是電壓，超過某個閾值，就打開。低於閾值，就關閉。而權重是可以被訓練的，就像一個可旋轉調節的鈕。

儘管現在我們可以用三行Python代碼實現它，但在那年代已經算是大型的計算機了。

這個感知機是怎麼運轉起來的呢？

原理是很簡單的，你需要先集齊一堆訓練數據。

比如說任務是圖像識別，那麼輸入就是圖像的一個個像素。當每個像素用0，1表示時，那麼就可以組成一串數字。

你給機器一張圖，字母A，然後輸出應該是1。那麼訓練的時候，就讀取圖像中的像素，調高那些能增強最終結果是1，也就是判定字母是A的像素的權重，並調低偏離最終結果的像素的權重。

數學上只需要一行Python代碼就可以搞定。

事實上，雖然這個辦法是直覺上想出來的，但後來幾年發現這個問題可以總結成幾個方程，也是受到了生物學的啟發。

我們回到人的大腦是怎麼學習的。

每個神經元是通過突觸來連接其他神經元，從而傳遞信號。

但數學上，這個概念被簡化了，將感知機里的權重看成一個個的旋鈕。

對於具體的輸入，根據輸出的錯誤再調參數，訓練，重複，直到目標函數的值越來越小（目標函數的值，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），依然是很簡單的數學問題。

舉個稍微複雜一點的例子，我們要做一個圖片分類器，辨識汽車、飛機、椅子等物體

它們的外觀千變萬化，我們怎樣讓計算機認出每一類物體呢？

這需要依賴大量的手動調整。給系統一張車的照片，如果系統將它認成車，紅燈亮起。如果紅燈不亮，就調整這些按鈕，讓紅燈的亮度增強；輸入飛機的圖片，調整按鈕，讓綠燈亮度增強。

輸入足夠多的訓練數據不停調整按鈕，直到機器能夠辨認出來它從來沒見過的相片為止，那麼就算訓練成功了。

你們肯定會問，這個能識別圖像的神秘盒子里到底裝了什麼？

這個答案，在過去的幾十年里，一直在變。

傳統的模式識別，是給它一張圖，然後過一個特徵提取器。這個特徵提取器是人工搭建的，把這些圖像的像素變成一串數字，然後用簡單的演算法吸收消化，得到這張圖的內容。這種方法在深度學習出現以前一直都在用。

而深度學習是把模塊分成可以被訓練的好幾層。就像視覺信號的傳遞一樣，需要多步來提取信息。

下一個我們要問的問題是，我們應該往這些可訓練的模塊箱里放什麼東西？

「多層」的概念是50年代提出的，到80年代時用的人稍微多了起來。

每一層都是由簡單的單元組成，而單元又是基於上一層的輸入，經過不同程度的權重處理得到的。然後如果值超過閾值，就繼續往下走，低於閾值就不取。

那麼，我們要如何訓練機器呢？

這其實是不斷調小偏差的過程。問題的關鍵在於往什麼方向調整參數、調整到什麼程度，才可以拿到我們想要的輸出。

1980年，這個問題才有了解決方案。

這個方案是一個複雜的數學概念的實際應用， 叫鏈式法則（Chain rule）。

當你有一個網路的時候， 你有的是連續的功能區塊（Functional block）。

每一個區塊或者做矩陣乘法，或者是給每個輸入做一個非線性的運算。我們來看看系統之中分離出來的一個區塊。

你可以簡單地算出來輸出值。比如說這是一個線性的矩陣乘法模塊，參數乘以向量，這樣你就能拿到輸出的向量。這兩個區塊有不一樣的維度。

現在假設，對於每個向量中任何元素的調整，我們都知道損失會往什麼方向變化。

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

很多現在的平台，在你寫程序定義網路後，都可以自動運行反向傳播，計算梯度。

這些問題都解決了之後呢，我們就可以建一個人工的大腦了嗎？

要知道，人腦每秒可以做10的17次方的運算，神經元數量達到10的11次方。

我們來看一款運算速度很快的晶元。右下角的英偉達Titan-V，這個GPU每秒可做10的15次方運算，比人腦要慢100倍。

所以大家算算，即使晶元的速度翻一倍要18個月的話，那還要多長時間能達到和我們人腦一樣？如果要讓晶元在合理的大小範圍的話，我認為我們還要等多幾十年。

但這個不是主要問題。主要問題是我們不知道怎麼編程它們、怎麼訓練它們、訓練原則是什麼。

這個GPU很便宜，才3000刀，但是現在大家都在買來挖礦，所以已經買不到了。

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

好啦，現在我們來跳出來看看生物還有沒有給我們別的啟發。

Hubel & Wiesel 1962這個生物研究工作太有名了，大家都知道的，是70年代拿了諾貝爾獎的。工作本身是在60年代做的，是視覺信號傳遞的生理結構。

簡單的細胞檢測位置信息，複雜的細胞整合簡單細胞受到刺激的信息

所以，如果有一個特殊的動機，稍微移動一點，複雜細胞都會被激活。

Fukushima 1982年造了一個計算模型，就是描述簡單細胞和複雜細胞之間的層級關係。這個是80年代的工作，那時候還沒有合適的學習演算法。所以用了其他的非監督型演算法。

後來，我受到這個演算法啟發，造了一個含有相似構造的網路，用反向傳播演算法來訓練，就是我們平時說的卷積神經網路（CNN）。

下面是卷積神經網路的示意圖。

圖像中的像素會激活CNN中的單元。但我不敢稱他們為神經元，不然神經科學家會不爽。因為比起神經元來說，這些單元實在是太簡單了。

每個單元，看起來像patch。這些單元會和閾值比，比他們高，就打開。低的話就關上。

可以看到這個用激光筆指出的patch是係數。

左邊這個是輸入patch，把係數向量和輸入向量乘在一起。用係數把整個輸入刷一遍，然後你記錄就能得到右邊的結果。

如果它們能夠匹配的話，就得到高度激活的結果，不匹配就得到非激活的結果。

這在數學上就叫做離散型卷積。

經過了層層卷積核的係數處理，最後得到的是最右邊的壓縮過的信息。

我們90年代中期的時候弄了一個很牛的模型。不僅能夠認出來一個字母，還能認出多個字母，還不用先分割開。當時如果用經典數學演算法就必須先分割。

等到無法從圖像中分割出物體時，我們模型的重要性就顯現出來了。

這個模型中每一層都是卷積的，同時進行分割和識別。

這是那個時候年輕的我，把一張紙條放在一個攝像頭下面，然後按一下鍵盤。這是1993年的時候（嘴上說的是1992年）。

這是我在新澤西的時候貝爾實驗室那會兒的電話號碼，現在已經不用了。

在幾秒鐘之內，就可以處理圖像，識別出數字。

訓練數據量不用很多，哪怕是很小的、不同的手寫體，都能識別成這樣，效果很不錯了。

為了以合適的速度跑起來這個程序，我們用了特殊的硬體DSP 32C，速度可到 20 FLOPS。最後，我們用這個造了一個可以識別支票的系統。於1996年左右開始鋪開使用。

到90年代末，這套系統已經在處理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讀取過。

這麼看，這套系統還是挺成功的。可惜在90年代中期，在機器學習圈裡，大家對神經網路的熱情消失了。

很大一個原因是，這套系統需要大量的計算力投入才軟體系統里。這樣才有可能跑起來。

這一切都發生在MATLAB、微軟系統、Linux出現之前，AT&T都還沒公開相應的硬體資源。沒有大型計算機，或大型數據集，大家做這個都只能靠直覺。

其實在那個時候，很多東西都很玄學，我們並不能從數學的角度去解釋他們。

不能解釋背後的原理的話，就沒辦法形成一套理論。沒有理論就很混亂，都發不了文章。

哪怕事實上，這些方法是可用的，但是也被拋棄了。

不過我們當中的某些人，知道，這方法最終還是會回來的。因為在某些情況下，這套方法是更好的。

因為它們會自己學習，不僅僅是識別圖像，還能夠抽象地表示這個世界。它們能夠找到事物的本質，然後找到不同部分之間的聯繫，然後組裝成以個整體。它們做的事情很強大，所以也需要更多的數據。

在1996年和2002年之間，我幾乎停止了這方面的研究，改做圖像壓縮。

2003年的時候我又開始搞回這個了。我們做了一輛有兩個攝像頭小車，讓人來控制它，當距離障礙物2米的時候，我們會控制它向左轉或向右轉來避開障礙物。然後，我們訓練一個CNN來看兩個攝像頭採到的畫面，去預測方向盤轉向的角度

只需要20分鐘的訓練數據，這個CNN就可以自己開車了！遇到障礙物的時候，它會自行轉向避開。

在這套系統的啟發下，DARPA舉辦了LAGR（Learning Applied to Ground Vehicles），一個150萬美元的項目。

你可以看到這個機器人有四個攝像頭，內部裝了三台計算機，可以在自然環境中自動行駛。我們訓練了一個CNN，讓它告訴我們在畫面上，哪些區域是可以順利通過的。

使用傳統的立體視覺成像技術，也能實現這個功能。但是，立體成像很貴，工作範圍也很有限，大概能做到10米的距離。

這就是CNN的一種用途。

很快我們就意識到，不能只是標記一個區域能不能通過，更有意思的是，看圖中的某些像素屬於哪個物體。（物體識別分類）。

舉個例子來說，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，這個演算法不能說完美，它認為這裡是沙漠，實際上在曼哈頓不可能有沙漠。

不過，它識別行人等主要目標的能力都不錯，而且即使在普通電腦上跑，也比當時最領先的系統快100倍。這個演算法讓很多人產生了靈感，認為我們能把它用到無人駕駛上。

2014年，有兩個公司很快就把這個技術拿過去用了。一個是MobilEye，另一個是Nvidia。

2010年之前，這些研究都在低調地進行著，後來，事情有了變化。

2011年的時候，深度學習在語音識別上有了重大的進展。

在2012年年底，深度學習在ImageNet比賽上一舉成名。ImageNet數據集包含1000類物體的130萬張照片，傳統圖像分類演算法在這個數據集上取得的最低錯誤率大約是26%。

2012年，一個多倫多大學做出來的大型CNN，將錯誤率降到了15%。他們是第一個正式用GPU跑這麼大的CNN的團隊。

於是，突然之間，整個計算機視覺領域都開始使用這項技術。我從來沒見過一個研究領域如此快速地從一種技術轉向另一種。

其實就在2011年，我們還提交了一篇論文到CVPR。這篇論文打敗了當時最好的記錄，但是卻被拒了。因為那個時候人們都不相信CNN能取得這麼好的成績。因為大家沒見過，於是，他們就主觀臆斷地認為我們犯規了之類的。

但是3年之後，世道完全反過來了。你不用CNN，文章都不可能被接收。

不過這也不是一件好事。因為這樣會滅殺多樣性。講這件事是想讓大家知道，這在當時是一個多麼重大的革命。

這些網路都特別大，有上百萬個按鈕、單元和權重。網路的第一層檢測的都是一些基本motif，比如邊緣、線條等等。

有的CNN多達50層，甚至更多。為什麼我們需要這麼多層？

神經網路的多層架構對應著數據的組成型結構，不同層檢測不同的特徵，比如線條、邊緣等底層特徵，圓圈、弧線、角等中層特徵，更接近圖形的高層特徵。

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

愛因斯坦曾經說過，這個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，讓這些技術落地，並規模化。

開始列舉最近各種研究進展

比如說，我們現在用256個CNN，1小時就能完成在整個ImageNet上的訓練，錯誤率達到23.74。

計算機視覺的最前沿研究Mask R-CNN，可以做物體分割，關鍵點檢測，人體姿態捕捉等等。用Sparse ConvNet還可以做3D語義分割——

另外，CNN還能用在和視覺沒什麼關係的領域，比如做翻譯。這對於Facebook來說很有用，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。

卷積神經網路可以應用在很多領域，比如在無人駕駛上，可以幫機器用視覺感知環境。在醫學影像、基因學、物理學等等各種領域都有應用，而且幾乎每天都有新的落地領域出現。

深度學習不僅能感知，還能推理。

比如說，我們可以根據一張圖片，提出問題，

下圖中方塊的數量比黃色的物體多嗎？

如果是人類來回答這個問題，需要分別數一數方塊和黃色物體的數量，然後比較這兩個數量的大小。

對於神經網路來說，就需要一個模塊來分類出方塊和黃色物體，另一個模塊來數數，還需要一個模塊比較大小給出答案。

這個神經網路是動態的會隨著輸入的變化而變化，輸入會決定神經網路的架構。

另外，用記憶模塊來增強神經網路也是一個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。感興趣的同學可以閱讀之前的文章，以及自行看視頻。

最後，立昆老師還強調了一點：目前，機器並沒有通用的智能，也沒有嘗常識。

— 完 —

歡迎大家關注我們的專欄：量子位 - 知乎專欄

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

量子位 QbitAI · 頭條號簽約作者

?? ? 追蹤AI技術和產品新動?? ? 追蹤AI技術和產品新動態