1
| 本文作者： 老王 | 2016-12-07 10:29 |
雷鋒網按：為了方便讀者學習和收藏，雷鋒網特地把吳恩達教授在NIPS 2016大會中的PPT做為中文版，由三川和亞峰聯合編譯并制作。
今日，在第 30 屆神經信息處理系統大會（NIPS 2016）中，百度首席科學家吳恩達教授發表演講：《利用深度學習開發人工智能應用的基本要點（Nuts and Bolts of Building Applications using Deep Learning）》。
此外，吳恩達教授曾在今年 9 月 24/25 日也發表過同為《Nuts and Bolts of Applying Deep Learning》的演講(1小時20分鐘)，以下是 YouTube 鏈接：
https://www.youtube.com/watch?v=F1ka6a13S9I
吳恩達在開場提到：深度學習為何這么火？
答案很簡單：
第一是因為規模正在推動深度學習的進步。
從傳統算法到小型神經網絡、中型神經網絡最后演化為現在的大型神經網絡。
第二：端到端學習的崛起
從下圖中的上半部分可以看出，傳統端到端學習是把實體數據表達成數字數據，輸出數字值作為結果。如退昂識別最后以整數標簽輸出為結果。
而現在的端對端學習更為直接純粹，如機器翻譯：輸入英語文本，輸出法語文本；語音識別：輸入音頻，輸出文本。但端對端學習需要大量的訓練集。
吳恩達先講述了常見的深度學習模型，然后再著分析端到端學習的具體應用。
二、主要的深度學習模型
普通神經網絡
順序模型 (1D 順序) RNN, GRU, LSTM, CTC, 注意力模型
圖像模型 2D 和 3D 卷積神經網絡
先進/未來 技術：無監督學習（稀疏編碼 ICA, SFA,）增強學習
傳統模型：語音→運算特征—（人工設計的 MFCC 特征）→音素識別器—（音素識別）→最終識別器→輸出。
端到端學習：音頻→學習算法→轉錄結果；在給定了足夠的有標注數據（音頻、轉錄結果）時，這種方法的效果會很好。
傳統模型：攝像頭圖像→檢測汽車+檢測行人→路徑規劃→方向控制。
端到端學習：攝像頭圖像→學習算法→方向控制。
自動駕駛對安全有極高要求，因此需要極高的精確度。采取純粹的端到端學習十分有挑戰性。只在有足夠（x，y）的數據，來學習足夠復雜的函數的情況下，端到端學習才有效果。
你經常有很多改進 AI 系統的主意，應該怎么做？好的戰略能避免浪費數月精力做無用的事。
以語音識別為例，可以把原語音數據分割成：
60% 訓練集（訓練模型）
20% 開發集（開發過程中用于調參、驗證等步驟的數據集）
20% 測試集（測試時所使用的數據集）
這里面普及幾個概念：
人類水平的誤差與訓練集的誤差之間的差距是可避免的偏差，這部分誤差可以通過進一步的學習/模型調整優化來避免。
訓練集和開發集之間的差距稱為方差，其因為跑了不同的數據從而導致誤差率變化。
上述兩種偏差合在一起，就是偏差-方差權衡（bias-variance trade-off）。
假設你想要為一個汽車后視鏡產品，開發語音識別系統。你有 5000 小時的普通語音數據，還有 10 小時的車內數據。你怎么對數據分組呢？這是一個不恰當的方式：
更好的方式：讓開發和測試集來自同樣的分配機制。
當機器學習在處理某項任務上比人類表現還差時，你經常會看到最快的進步。
機器學習超越人后，很快就會靠近貝葉斯最優誤差線。
可以依靠人類的直覺：（i）人類提供加標簽的數據。（ii）進行錯誤分析，來理解人是怎么對樣本正確處理的（iii）預估偏差/方差。比如，一項圖像識別任務的訓練誤差 8%， 開發誤差 10%，你應該怎么處理？
新的監督DL算法的存在，意味著對使用 DL開發應用的團隊合作，我們在重新思考工作流程。產品經理能幫助 AI 團隊，優先進行最出成果的機器學習任務。比如，對于汽車噪音、咖啡館的談話聲、低帶寬音頻、帶口音的語音，你是應該提高語音效果呢，還是改善延遲，縮小二進制，還是做別的什么？
今天的人工智能能做什么呢？這里給產品經理一些啟發：
如果一個普通人完成一項智力任務只需不到一秒的思考時間，我們很可能現在，或者不遠的將來，用 AI 把該任務自動化。
對于我們觀察到的具體的、重復性的事件（比如用戶點擊廣告；快遞花費的時間），我們可以合理地預測下一個事件的結果（用戶是否點擊下一個此類廣告）。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
