作為本輪人工智能熱潮的關(guān)鍵技術(shù)，機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)受到了熱捧。一時(shí)間，人人嘴上掛著深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等詞匯，似乎不談這一話題，便與智能時(shí)代脫節(jié)。
然而，無論開發(fā)者或科技企業(yè)，對深度學(xué)習(xí)恐怕存在一定誤解。“如果問一下‘什么是深度學(xué)習(xí)’，絕大多數(shù)人的答案都會是：深度學(xué)習(xí)就是深度神經(jīng)網(wǎng)絡(luò)，甚至認(rèn)為‘深度學(xué)習(xí)’就是‘深度神經(jīng)網(wǎng)絡(luò)’的同義詞。”在2018英特爾人工智能大會上，南京大學(xué)計(jì)算機(jī)系主任、人工智能學(xué)院院長周志華直言現(xiàn)狀。
這一觀念其實(shí)是片面的。事實(shí)上，當(dāng)前深度學(xué)習(xí)主流的深度神經(jīng)網(wǎng)絡(luò)模型本身，也存在著諸多問題。“吃數(shù)據(jù)，吃機(jī)器，對開發(fā)者門檻要求高。”當(dāng)談及當(dāng)前模型痛點(diǎn)時(shí)，一位深度學(xué)習(xí)領(lǐng)域相關(guān)開發(fā)者向記者直言。另一位開發(fā)者則告訴記者，深度神經(jīng)網(wǎng)絡(luò)模型的效果穩(wěn)定性也可能不如預(yù)期。
“Kaggle競賽中有各種各樣的任務(wù)，但在圖像、視頻、語音之外的很多任務(wù)上，比如訂機(jī)票、訂旅館之類，還是傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)(如隨機(jī)森林或XGBoost)表現(xiàn)更好，尤其是涉及符號建模、離散建模、混合建模等問題。”周志華表示，“機(jī)器學(xué)習(xí)界早就很清楚‘沒有免費(fèi)的午餐’，也即任何一個(gè)模型可能只適用于一部分的任務(wù)，而另外一些任務(wù)是不適用的。”
這也就意味著，除深度神經(jīng)網(wǎng)絡(luò)模型之外，當(dāng)前企學(xué)研界還有必要探索深度學(xué)習(xí)新的可能性。
痛點(diǎn)頻頻
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)技術(shù)分支。與機(jī)器學(xué)習(xí)其他技術(shù)流派所區(qū)別的是，當(dāng)前以深度神經(jīng)網(wǎng)絡(luò)模型為代表的深度學(xué)習(xí)模型算法中，擁有許多層次，從而構(gòu)成“深度”。
與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)具有其優(yōu)勢。“如果以橫軸為數(shù)據(jù)量，縱軸為模型有效性來看的話，傳統(tǒng)機(jī)器學(xué)習(xí)模型隨著數(shù)據(jù)量的增長而效果趨于平緩，深度神經(jīng)網(wǎng)絡(luò)模型則隨著數(shù)據(jù)增長形成更高的有效性。”英特爾高級首席工程師、大數(shù)據(jù)技術(shù)全球CTO戴金權(quán)告訴記者。
之所以模型層級或說“深度”能夠在近年來取得突破，源于神經(jīng)網(wǎng)絡(luò)中基本計(jì)算單元激活函數(shù)的連續(xù)可微性，導(dǎo)致梯度更加易于計(jì)算，而基于對梯度的調(diào)整，便可使用BP算法逐層訓(xùn)練出整個(gè)模型。
“2006年以前，人們不知道怎么訓(xùn)練出5層以上的神經(jīng)網(wǎng)絡(luò)，根本原因就是層數(shù)高了之后，使用BP算法的梯度就會消失，無法繼續(xù)學(xué)習(xí)。”周志華介紹道，“后來Geoffrey Hinton做了很重要的工作，通過逐層訓(xùn)練來緩解梯度消失，才使得深層模型能夠被訓(xùn)練出來。”
然而，正是因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)模型是一個(gè)層級多、參數(shù)多的巨大系統(tǒng)，因此便存在海量的調(diào)參需求與相當(dāng)?shù)恼{(diào)參計(jì)算。“甚至有些技術(shù)工程師一天下來，其他的什么都沒做，只是在調(diào)整參數(shù)，這是一個(gè)很常見的情況。”前述開發(fā)者向記者感慨道。
不僅是超量參數(shù)帶來了調(diào)參難，隨之也形成一系列問題。“比如，在做跨任務(wù)(例如從圖像到語音)的時(shí)候，相關(guān)的調(diào)參經(jīng)驗(yàn)基本沒有借鑒作用，經(jīng)驗(yàn)很難共享，”周志華表示。同時(shí)，結(jié)果的可重復(fù)性也非常難，“整個(gè)機(jī)器學(xué)習(xí)領(lǐng)域，深度學(xué)習(xí)的可重復(fù)性是最弱的。哪怕同樣的數(shù)據(jù)和算法，只要參數(shù)設(shè)置不同，結(jié)果就不一樣。”
此外，深度神經(jīng)網(wǎng)絡(luò)模型復(fù)雜度必須是事前指定的，然后才能用BP算法去加以訓(xùn)練。但這個(gè)過程中存在悖論：在沒有解決任務(wù)之前，如何預(yù)先判定其復(fù)雜度?“所以實(shí)際上大家通常都是設(shè)置更大的復(fù)雜度。”周志華表示。
目前這一模型還存在許多別的問題，比如理論分析很困難，需要極大數(shù)據(jù)，黑箱模型等等。甚至有開發(fā)者向記者坦言，神經(jīng)網(wǎng)絡(luò)模型在有些領(lǐng)域應(yīng)用很好，但在更多的領(lǐng)域，采用這一模型的效果不穩(wěn)定，“如果樣本數(shù)據(jù)量足夠大，這一模型的準(zhǔn)確率是很好的，但通常公司并沒有那么多數(shù)據(jù)，計(jì)算也費(fèi)勁。”
新的路徑？
既然深度神經(jīng)網(wǎng)絡(luò)模型存在痛點(diǎn)，那么，在對其進(jìn)行優(yōu)化研究的同時(shí)，也不得不令人思考：是否存在其他深度學(xué)習(xí)模型的可能性?
這就涉及到深度學(xué)習(xí)的本質(zhì)問題。事實(shí)上，深度神經(jīng)網(wǎng)絡(luò)的最重要的是特征學(xué)習(xí)(表示學(xué)習(xí))，即計(jì)算機(jī)能夠自行學(xué)習(xí)原始數(shù)據(jù)的特征、提取特征并表達(dá)出來，而這背后的核心是逐層處理。“與傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)相比，深度學(xué)習(xí)抽象級別不同，深度學(xué)習(xí)可能擁有很高級別的抽象。”前述開發(fā)者向記者解釋道，“計(jì)算出特征之后還會繼續(xù)計(jì)算特征的特征，最終放到模型里。”
另一個(gè)特質(zhì)在于特征的內(nèi)部轉(zhuǎn)換。“例如，決策樹也是一種逐層處理，但達(dá)不到深度神經(jīng)網(wǎng)絡(luò)的效果，就在于它的復(fù)雜度不夠，同時(shí)始終在同一個(gè)特征空間下進(jìn)行，中間沒有進(jìn)行任何的特征變化。”周志華指出。
此外還需要保證充分的模型復(fù)雜度。“只有增加模型復(fù)雜度，學(xué)習(xí)能力才可能得以提升。”周志華指出，“逐層加工、特征內(nèi)部變換、充分模型復(fù)雜度，滿足這三條的深度學(xué)習(xí)模型，便能夠取得成功。”
就此，周志華嘗試提出深度神經(jīng)網(wǎng)絡(luò)模型之外的方法：深度森林模型。據(jù)介紹，該模型是一個(gè)基于樹模型的方法，主要借用了集成學(xué)習(xí)中的想法。“在許多不同任務(wù)上，它的模型所得結(jié)果可以說與深度神經(jīng)網(wǎng)絡(luò)高度接近。特別是在跨任務(wù)中，它的表現(xiàn)非常好，可以用同樣一套參數(shù)，不再逐任務(wù)調(diào)參。”周志華指出。
“深度神經(jīng)網(wǎng)絡(luò)的底層是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，進(jìn)而擴(kuò)展層級深度，深度森林也是類似的概念。”一位南京大學(xué)相關(guān)研究人士向記者表示，“在深度神經(jīng)網(wǎng)絡(luò)模型中，堆疊了大量神經(jīng)元，而深度森林里，每一層神經(jīng)元的位置變?yōu)樯帧?shù)據(jù)樣本通過每個(gè)森林得到一個(gè)預(yù)測結(jié)果后，將結(jié)果作為下一層的輸入。”
這樣做的好處是，每經(jīng)過一層“森林”，機(jī)器都會自動判斷模型是否收斂，一旦達(dá)到正確性要求，模型就不會繼續(xù)計(jì)算，“所以模型是可控的。”前述研究人士向記者強(qiáng)調(diào)，“深度神經(jīng)網(wǎng)絡(luò)則是必須把層級定好，然后利用算法求梯度。深度森林不需要優(yōu)先制定層級，走了一定層級之后看驗(yàn)證效果，好的話就不用往后走了。”因此，它對計(jì)算資源的要求也不大，“在CPU上就可以跑。”
當(dāng)然，作為一個(gè)最新提出的模型，深度森林還在接受各方的討論。“就算法本身而言，雖然在訓(xùn)練效率、可解釋性方面優(yōu)于神經(jīng)網(wǎng)絡(luò)，但在超大數(shù)據(jù)下未必能達(dá)到或者超過深度學(xué)習(xí)中的CNN(卷積神經(jīng)網(wǎng)絡(luò))。”一位業(yè)內(nèi)人士向記者直言，“不過，這一理論的最大貢獻(xiàn)可能在于，提出了一種有別于深度神經(jīng)網(wǎng)絡(luò)的深度結(jié)構(gòu)，從而打破了業(yè)界對神經(jīng)網(wǎng)絡(luò)的迷信，為研究者提供了一個(gè)新的思路。”
關(guān)鍵詞：
