作者 | Jean-Louis Queguiner
來源 | 機(jī)器之心
「神經(jīng)網(wǎng)絡(luò)就像數(shù)數(shù)一樣簡單」，「卷積層只是一個(gè)蝙蝠信號(hào)燈」……在本文中，一位奶爸從手寫數(shù)字識(shí)別入手，用這樣簡單的語言向自己 8 歲的女兒解釋了一下「深度學(xué)習(xí)」。當(dāng)然，用這篇文章向女朋友（如果有的話）科普自己的工作也是可以的。
機(jī)器學(xué)習(xí)，尤其是深度學(xué)習(xí)是一個(gè)熱門話題，你肯定會(huì)在媒體上看到流行語「人工智能」。
然而，這些并非新概念。第一個(gè)人工神經(jīng)網(wǎng)絡(luò)（ANN）是在 40 年代引入的。那么為什么最近的熱點(diǎn)話題都是關(guān)于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的呢？我們將在 GPU 和機(jī)器學(xué)習(xí)的一系列博客文章中探討這些概念。
在 80 年代，我記得我父親構(gòu)建了用于銀行支票的字符識(shí)別工具。檢查這么多不同類型的筆跡真的是一件痛苦的事，因?yàn)樗枰粋€(gè)方程來適應(yīng)所有的變化。
在過去幾年中，很明顯，處理這類問題的最佳方法是通過卷積神經(jīng)網(wǎng)絡(luò)。人類設(shè)計(jì)的方程不再適合處理無限的手寫模式。
讓我們來看看最經(jīng)典的例子之一：構(gòu)建一個(gè)數(shù)字識(shí)別系統(tǒng)，一個(gè)識(shí)別手寫數(shù)字的神經(jīng)網(wǎng)絡(luò)。
事實(shí) 1：神經(jīng)網(wǎng)絡(luò)就像數(shù)數(shù)一樣簡單
我們首先計(jì)算最上面一行的紅色形狀在每個(gè)黑色手寫數(shù)字中出現(xiàn)了幾次。
▲手寫數(shù)字的簡化矩陣
現(xiàn)在讓我們嘗試通過計(jì)算具有相同紅色形狀的匹配數(shù)來識(shí)別（推斷）新的手寫數(shù)字。然后我們將其與之前的表格進(jìn)行比較，以確定這個(gè)數(shù)字與哪個(gè)數(shù)字有最強(qiáng)的關(guān)聯(lián)：
▲匹配手寫數(shù)字的形狀
恭喜！你剛剛構(gòu)建了世界上最簡單的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，用于識(shí)別手寫數(shù)字。
事實(shí) 2：圖像只是一個(gè)矩陣
計(jì)算機(jī)將圖像視為矩陣。一張黑白圖像是個(gè) 2D 矩陣。
我們來考慮一張圖像。為了簡單起見，我們拍攝一張數(shù)字 8 的小黑白圖像，方形尺寸為 28 像素。
矩陣的每個(gè)單元表示從 0（表示黑色）到 255（表示純白色像素）的像素強(qiáng)度。
因此，圖像將表示為以下 28×28 的像素矩陣。
▲手寫數(shù)字 8 的圖像和相關(guān)的強(qiáng)度矩陣
事實(shí) 3：卷積層只是一個(gè)蝙蝠信號(hào)燈
為了確定圖片中顯示的圖案（此處指手寫數(shù)字 8），我們將使用一種蝙蝠信號(hào)燈/手電筒。在機(jī)器學(xué)習(xí)中，手電筒被稱為過濾器（filter）。該過濾器用于執(zhí)行 Gimp 等常見圖像處理軟件中用到的經(jīng)典卷積矩陣計(jì)算。
過濾器將掃描圖片，以便在圖像中找到圖案，并在匹配成功時(shí)觸發(fā)正反饋。它有點(diǎn)像兒童形狀分類盒：三角形過濾器匹配三角形孔，方形過濾器匹配方孔等。
▲圖像過濾器像兒童形狀分類盒一樣工作。
事實(shí) 4：過濾器匹配是一項(xiàng)易并行任務(wù)
更科學(xué)地來講，圖像過濾過程看起來有點(diǎn)像下面的動(dòng)畫。如你所見，過濾器掃描的每個(gè)步驟都是相互獨(dú)立的，這意味著此任務(wù)可以高度并行化。
要注意，數(shù)十個(gè)過濾器將同時(shí)運(yùn)行，因?yàn)樗鼈儾幌嗷ヒ蕾嚒?/p>
事實(shí) 5：盡可能多次重復(fù)過濾操作（矩陣卷積）
我們剛剛看到，輸入圖像/矩陣使用多個(gè)矩陣卷積進(jìn)行過濾。
為了提高圖像識(shí)別的準(zhǔn)確率，只需從前一個(gè)操作中獲取過濾后的圖像，然后一次又一次地過濾......
當(dāng)然，我們過分簡化了一些事情，但通常你使用的過濾器越多，按順序重復(fù)這個(gè)操作的次數(shù)越多，你的結(jié)果就越精確。
這就像創(chuàng)建新的抽象層以獲得更清晰的對(duì)象過濾器描述，從原始過濾器到看起來像邊緣、輪子、正方形、立方體等的過濾器......
事實(shí) 6：矩陣卷積只是乘、加運(yùn)算
一圖勝千言：下圖是使用卷積過濾器（3×3）過濾的源圖像（8×8）的簡化視圖。手電筒（此處為 Sobel Gx 過濾器）的投影提供一個(gè)值。
▲應(yīng)用于輸入矩陣的卷積過濾器（Sobel Gx）示例
這就是這種方法的神奇之處，簡單的矩陣運(yùn)算是高度并行化的，完全符合通用圖形處理單元的用例。
事實(shí) 7：需要簡化和總結(jié)檢測到的內(nèi)容嗎？只需使用 max()
我們需要總結(jié)過濾器檢測到的內(nèi)容，以便學(xué)到概括性的知識(shí)。
為此，我們將對(duì)先前過濾操作的輸出進(jìn)行采樣。
此操作稱為池化或下采樣，但實(shí)際上它是為了減小矩陣的大小。
你可以使用任何縮小操作，例如：最大化，最小化，取平均值，計(jì)數(shù)，取中位數(shù)，求和等等。
▲最大池化層示例
事實(shí) 8：將輸出扁平化，得出最終結(jié)果
不要忘記我們正在研究的神經(jīng)網(wǎng)絡(luò)的主要目的：建立一個(gè)圖像識(shí)別系統(tǒng)，也稱為圖像分類。
如果神經(jīng)網(wǎng)絡(luò)的目的是檢測手寫數(shù)字，那么輸入圖像最后將被映射到 10 個(gè)類：[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]。
要在通過所有這些過濾器和下采樣層之后，才將此輸入映射到類，我們將只有 10 個(gè)神經(jīng)元（每個(gè)神經(jīng)元代表一個(gè)類），每個(gè)神經(jīng)元將連接到最后一個(gè)子采樣層。
以下是由 Yann Lecun 設(shè)計(jì)的原始 LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)的概述，他是早期采用該技術(shù)進(jìn)行圖像識(shí)別的人之一。
▲原始論文中的 LeNet-5 架構(gòu)
事實(shí) 9：深度學(xué)習(xí)只是基于反饋回路的持續(xù)改進(jìn)
技術(shù)之美不僅來自卷積，而且來自網(wǎng)絡(luò)自身學(xué)習(xí)和適應(yīng)的能力。通過實(shí)現(xiàn)名為反向傳播的反饋回路，網(wǎng)絡(luò)將使用權(quán)重來減輕和抑制不同層中的一些「神經(jīng)元」。
我們來看看網(wǎng)絡(luò)的輸出，如果猜測（輸出 0, 1, 2, 3, 4, 5, 6, 7, 8 或 9）是錯(cuò)誤的，我們要看一下是哪個(gè)/些過濾器「出了錯(cuò)」，找到之后，我們給這個(gè)/些過濾器一個(gè)小小的權(quán)重，這樣它們下次就不會(huì)犯同樣的錯(cuò)誤。瞧！系統(tǒng)在學(xué)習(xí)并不斷改進(jìn)自己。
事實(shí) 10：這一切都說明，深度學(xué)習(xí)是易并行過程
提取數(shù)千個(gè)圖像，運(yùn)行數(shù)十個(gè)過濾器，采用下采樣，扁平化輸出...... 所有這些步驟可以并行完成，這使得系統(tǒng)易于并行。它只是 GPGPU（通用圖形處理單元）的完美用例，非常適合大規(guī)模并行計(jì)算。
事實(shí) 11：需要更精確？那網(wǎng)絡(luò)就再深一點(diǎn)
當(dāng)然這有點(diǎn)過于簡單化，但如果我們看一下主要的「圖像識(shí)別競賽」，即 ImageNet 挑戰(zhàn)，我們就可以看到錯(cuò)誤率隨著神經(jīng)網(wǎng)絡(luò)的深度增加而降低。人們普遍認(rèn)為，排除其他因素，網(wǎng)絡(luò)深度的增加將帶來更好的泛化能力和準(zhǔn)確性。
▲Imagenet 挑戰(zhàn)賽獲勝者錯(cuò)誤率 VS 網(wǎng)絡(luò)中的層數(shù)
結(jié)論
我們簡要介紹了應(yīng)用于圖像識(shí)別的深度學(xué)習(xí)概念。值得注意的是，幾乎所有用于圖像識(shí)別的新架構(gòu)（醫(yī)療、衛(wèi)星、自動(dòng)駕駛......）都使用相同的原理，只是具有不同數(shù)量的層，不同類型的濾波器，不同的初始化點(diǎn)，不同的矩陣大小，不同的技巧（如圖像增強(qiáng)、dropout、權(quán)重壓縮...）。概念都是一樣的：
▲手寫數(shù)字識(shí)別過程
深度學(xué)習(xí)模型的訓(xùn)練和推理可以歸結(jié)為并行完成的大量基本矩陣運(yùn)算，確切地說，這正是我們已有的圖形處理器（GPU）的用途。
