【科學美國人】揭秘深度學習的背後與腦科學之間的秘密

人工智慧學家

作者:Amanda Monta?ez

翻譯：younger 審校：心

互動式神經網路「遊樂場」的視覺化為機器學習方式提供啟示

最近，《科學美國人》上一篇名為「Springtime for AI: The Rise of Deep Learning」的文章中，計算機科學家Yoshua Bengio闡釋道，正如人們早就預見的一樣，複雜的神經網路是真正的人工智慧的關鍵。通過對計算機編程，使其與人腦工作模式相似，計算機就會越來越聰明，這看來似乎很有邏輯性。然而，我們對大腦功能了解得如此至少，這項任務就顯得有些讓人望而生畏，那麼深度學習如何工作？

以下內容來自於Jen Christiansen，解釋了神經網路的基本架構和功能。

只會越來越聰明的類腦網路

大腦皮質中神經元到神經元的連接，為創造模擬這些複雜連接的演算法提供了靈感。基於無數張圖片的首次訓練，神經網路可以識別某個人臉。一旦它「學會」將臉分類（比如，與手區分開來），並可以檢測到人臉，那麼這個網路就會應用學到的知識，去識別之前見過的臉，雖然同一個人的圖片與之前訓練機器時的圖片稍有不同。

網路為了識別人臉，會建立任務，分析輸入層中被展示的某張圖片的單個像素。然後，在下一層中，它會選擇某張人臉對應的特定的幾何形狀。通關提升層次，中層的網路會探測到眼睛，嘴巴以及其他特徵，然後在更高層級，一個複合的全臉圖片才會被識別。在輸出層，網路會做出「猜測」，比如人臉是Joe的，而不是Chris或者Lee的。

學習

神經網路要分辨人臉，需要在約幾百萬張樣例中訓練，之後才會從一大堆圖片中選擇出某人的臉。

識別

將一張人臉圖片輸入網路，每層都會對其分析，最後網路會正確推測出圖片中人的身份。

每層網路逐步能夠識別更複雜的特徵。

很明顯，為將整個圖片解碼成視覺組件，這些所謂的「隱層」至關重要。而且我們知道，各個層面工作有一個順序：從輸入到輸出，每層處理的信息越來越複雜。除此以外，隱層，如它的名字所述，仍然有些難以理解的神秘色彩。

Daniel Smilkov 和Shan Carter是最近一個協作項目Tensor Flow的成員，他們創建了一個神經網路遊樂場，旨在讓用戶對隱層進行交互和實驗，以讓大眾更熟悉隱層。

這張展示的內容很多，最近我很幸運能夠聽到在OpenVisConf會議上Fernanda Viégas 和Martin Wattenberg對一些內容做了解釋。（他們是Tensor Flow背後團隊的成員，在現實世界的神經網路應用來說，Tensor Flow是個非常複雜的開源工具）。

神經網路遊樂場不用人臉那麼複雜的輸入，而是用一個區域中散布著的藍色或橙色的點，「教」機器發現模型以及仿效模型。用戶可以選擇不同複雜度的點分布，然後增加新的隱層，來操作學習系統，以及每層中的新的神經元。然後，用戶每點擊一次「play」按鈕，都可以看到，背景顏色出現梯度轉移，並會類似於藍色和橙色點的分布。模型越複雜，附加的神經元和層就越會讓機器成功地完成任務。

圖片：機器成功地解決了點的簡單排列問題，只用到了同一隱層的兩個神經元。

圖片：機器儘力對這個更複雜的螺旋模型進行解碼。

機器除了神經元層，還有其他如神經元連接等有意義的特徵。這些特徵是藍色或者橙色的，藍色代表積極，即每個神經元的輸出與其內容相同，橙色為消極，指輸出與神經元的值相反。另外，連接線的厚度和不透明度則表明每個神經元預測結果的可信度，就像我們大腦中的連接在我們通過學習過程提升自己時會加強。

有趣的是，我們為機器建造神經網路的能力越來越高，最終則可能會進一步揭示人類的大腦如何工作。通過與隱層交互，將其可視化，似乎可以更好地促進這個過程，同時也可讓更多人理解神經網路的概念。

萬元獎金尋找中國科技企業創新線索

告訴我們您的創新，讓「中國創新」進行報道

為了進一步挖掘中國科技創新企業成果，研究中國中國科技企業創新特徵，AIE實驗室與合作夥伴提供1萬元獎金，徵集中國科技企業創新線索。