终于有人把人工智能和深度学习讲明白了
Posted 大数据v
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了终于有人把人工智能和深度学习讲明白了相关的知识，希望对你有一定的参考价值。
导读：人工智能、机器学习和深度学习三者有什么联系和区别？
作者：木羊同学
来源：华章计算机（ID：hzbook_jsj）
01 人工智能、机器学习和深度学习的关系
在智能科学领域，有一个初学者很爱问的问题：人工智能、机器学习和深度学习三者有什么联系和区别？
这个是既简单又复杂的问题。这个问题是有标准答案的。答：三者是包含关系，即人工智能包含机器学习，机器学习包含深度学习。可是，如果你一旦细究，就会发现这个问题远比标准答案要复杂得多。
先说一个很容易产生的误区。我们在新闻上经常能看到：某某产品使用了人工智能技术，就具备了怎样“叹为观止”的能力，让人很容易产生一种错觉，以为人工智能和涡轮增压一样，就是一种技术，所有的“人工智能”产品，用到的都是同一种叫“人工智能”的技术。
但实际上，人工智能是一片森林，森林里的每一颗树，都是一条技术原理完全不同的路线。为什么会有这么多不同的路线呢？原因很简单，别看一说人工智能，许多大V都能侃侃而谈，其实大家都在盲人摸象，直到现在也还不知道到底哪一条才是通往真正智能的康庄大道。可能都是，也可能都不是，怎么办呢？那就多路并举。
有多少路呢？总的来说可以分为三路，或者叫三种主流学派：符号主义、连接主义和行为主义。你随便去翻一本人工智能的教材，你就能看到这三种主义都是什么。
不过，这并非唯一的分法。一些文献会将主要路线分为两条：基于规则和基于统计。我更喜欢这种分法——清晰、易懂、好落地。
基于规则的想法很朴素，譬如说语法分析：如果我把所有的语法规则都穷尽了，做出来的语法分析器不就“智能”了吗？理想很丰满，现实很骨感，最大的问题就在于“大”——工作量大。基于规则的路线很多人试了，结论就是：哪怕只是语法，不同的情况也非常多，要穷尽所有规则只能是挂一漏万，人力不可能为之。
目前的赢家是基于统计，优势是成本低，不需要人肉写规则，而且效果还好。机器学习就是基于统计的智能算法。
初学者经常爱问的另一个问题是“机器学习的本质是什么”。我认为很简单，就是用模型拟合数据的分布。对于机器学习来说，数据很重要，非常重要，学过机器学习的同学可能听过一句话，叫“数据决定了性能的天花板”，而选择哪款模型，则决定你与天花板的距离。
可是，为什么呢？就因为：机器学习的本质是拟合数据的分布。如果你得到的数据质量并不好，样本分布和真实分布存在偏差，模型的性能就一定好不了。这就相当于，你考试前背答案，但是答案本身就错了，你背得越熟，结果只能错得越离谱。
机器学习也不是某一种技术，而是一筐技术。譬如有支持向量机、决策树、最近邻等等，单拎出来都可以算是一条技术路线，其中有一路叫神经网络，有的人觉得应该和生物学的神经网络有所区别，应该叫人工神经网络（ANN）——以生物学的神经网络为蓝本设计的机器学习算法。
光听名字，就让人感觉这个算法非常有前途，实际上也确实很有前途，现在大名鼎鼎的深度学习，就是神经网络的Plus版。
02 从神经网络到深度学习
神经网络和深度学习的关系是个热门话题，甚至干脆就叫这个名字的书我都翻过好几本。相关的内容我也写过几次分享，最近在看一本书，是Charu C.Aggarwal写的《神经网络与深度学习》，对这个话题又有更深的了解。
我们知道，近几年人工智能又成了热议的话题和投资的风口，而推高这一波热潮的技术叫深度学习。前面介绍了人工智能、机器学习和深度学习三者是包含关系，不过还是有不少不严谨的媒体，俨然把深度学习当作了人工智能的代名词，那接下来就专门聊聊，这个深度学习到底是怎么一回事。
上面我们提到了神经网络，从技术脉络来说，深度学习就是神经网络这一支系下的一条分叉。所谓深度，其实就是神经网络层数很多的意思。神经网络的发展历程非常曲折，经历了两次大低谷，每次都被打上“此路不通”的标签。
第一次是在1960年代，当时出了一本书叫《感知机》，这是一本在神经网络上具有里程碑意义的著作，在数学上证明了（单层）神经网络无法学习异或，也就是我们熟知的XOR操作。我看过有些教材上直接就写是“神经网络无法学习异或”，这是误导，我们现在使用的多层神经网络是可以学习异或的，严谨的表示应该是单层神经网络无法学习异或。
不过，当时的神经网络都是单层神经网络，所以这个证明结论在很多人看来是直接宣判神经网络的死刑，连很多神经网络领域的领军人物都纷纷另寻他路。
大家看到这里理应产生一个问题：现在深度学习大行其道，所有人都知道多层神经网络是完全可行的，单层神经网络的出路就是把层数加深，这么简单的破局之道，为什么连当时的大牛都看不到？
因为多层神经网络会导致误差难以传导。依靠误差调整权重是神经网络，乃至很多机器学习算法的所谓“学习”过程。简单增加神经网络的层数会导致什么问题呢？梯度消失。简单来说就是传回去的误差为0了，权重也就没法通过学习来调整了。这个问题至今仍然是困扰深度学习的一大难题。
单层没有出路，多层也没有出路，两头堵死，所以大家也就对神经网络失去了信心。直到一个重要的机制横空出世，才让神经网络起死回生。这个机制就是大名鼎鼎的后向传播机制（Back Propagation），一般也简写成BP机制。
BP机制的算法核心是链式求导法则，需要懂一点点高数，不过也就一点点，在数学原理上看，BP机制并不复杂，但角色非常重要。正是有了BP机制，多层神经网络得以实现训练，神经网络在理论上的死局也就破解了。
但是，虽然BP机制给深层神经网络插上了想象的翅膀，但算力限制又把它重新拽回了地面，结果1990年代在实战中被支持向量机按在地上摩擦，又遭遇了一波低谷。这个部分不想照书念了，我有过一些实验，谈感觉吧。
首先记住一点：神经网络严重依赖算力，性能和算力呈正比，可谓是败也算力成也算力。BP机制是1980年代提出来的，那个年代的计算机算力还比不上现在的手机。虽然BP机制在理论上解开了多层神经网络的束缚，但来自硬件方面的算力局限，还是把层数这块拿捏得死死的。
那个年代的多层神经网络，也就多个两三层，层数少，参数规模也小，和现在动辄一个3A大作大小的大模型根本没法比。
性能优势发挥不出来，另一个短板就上来了，那就是训练时间长。
笔者手边做了一个不太严谨的对比实验：同样的硬件环境和同样的数据集，使用最经典的前馈神经网络要接近支持向量机的性能，训练时间差不多是3倍。结论肯定是不严谨的，不过大概也明白了被什么神经网络会在30年前再次进入低谷，性能一般训练时间还长的模型，肯定比不上Bug一样存在的支持向量机有排面。
那怎么办呢？没什么新办法，前面已经说了，神经网络的出路就是增加层数，但是能加多少层，谁说了算呢？算力说了算。
神经网络在1990年代除了被支持向量机按在地上摩擦，还忙了许多事，譬如深度学习的开门第一课卷积神经网络，相关研究远比很多人想象中要早，在90年代初连专利已经出来了。可是神经网络还要等，要等待一个机会，等待属于自己时代的降临。
十年窗下无人问，一举成名天下知。时间来到2012年，在ImageNet的赛场上，一款名为AlexNet的深度神经网络模型，让其它在座的模型深深地明白一个道理：抵抗已经没有意义，往后的比赛都将由深度神经网络主宰，往后的时代恐怕也将交由深度神经网络主宰。
这里我多说一个细节，ImageNet自2009年起年年都举办比赛，我看了下得分，早些年有点菜鸡互啄的意思，大家错误率都差不多，今年你赢可能只是赢在运气好。到了2012年这一届，第一名的AlexNet的错误率仅仅只有15.3%，比第二名低了10个百分点。换句话说，其它模型被AlexNet甩得连车尾灯都没有看见。
后面的事大家都知道了，深度神经网络换了个更容易引流的名字，叫深度学习。我们现在所处的这个时代，正是深度学习时代。
03 《神经网络与深度学习》及其作者
前面提到一本书，叫《神经网络与深度学习》，名字朴实无华，但十分有趣，多写一点介绍。
先说说书的作者Charu C.Aggarwal。这哥们就俩字——大牛。搞数据科学，特别是推荐算法的同学，不应该对这个名字感到陌生。推荐算法领域有一本经典，中文版名字叫《推荐系统：原理与实践》，人称推荐算法圣经，就是这位Charu C.Aggarwal的作品。
这哥们特高产，还专出精品，譬如在数据挖掘领域出过一本《数据挖掘：原理与实践》，最近在机器学习又出了一本《Linear Algebra and Optimization for Machine Learning》，就算在数据科学的推荐书单不是“卷卷有爷名”，也差不多了。
再说《神经网络与深度学习》。同名的书有好几本，所以最初看到书名我是没任何特别的感觉的，不过仔细翻了才猛然发现，这书居然就是大名鼎鼎的星云书。
书的英文名叫《Neural Networks and Deep Learning: A Textbook》，原书封面印了一幅星云图，所以也叫“星云图”。星云图我很有印象，早就听不同的人推荐过好几次，说特别好，就是没有中文版，所以我也只是记得书的英文名字。现在中文版终于也出来了，就是这本和别人撞了名字的《神经网络与深度学习》。
作者是牛人，可是起初我还是有点担心，那就是话题太老。神经网络和深度学习的知识点就那么几个：激活函数、后向传播再加个优化方法，十根手指掰得过来，而且从花书开始，已经有无数的书、无数的作者将这屈指可数的知识点给围剿了无数遍，Charu C.Aggarwal能写出什么新东西来吗？
还真可以。千万别忘了，魔鬼总藏在细节处。大家刚开始深度学习应该都会有一种感觉，大的知识点我都了解了，可是总有一些点与点之间的连接处感觉怎么也过不去。这就像看一部剧，剧情梗概开完了，但总觉得缺了点细节。虽然看起来只是细枝末节，但是一来让人不痛快，更重要的是没法构成完整的逻辑，就不太容易理解了。
说一个具体的地方，深度学习为什么要使用GPU？这几年高性能显卡和30年前的学习机一样，都是打着学习的旗号来玩游戏......啊不小心把心里话说出来了......总之，大家都知道搞深度学习要买显卡。
浅层理由也都清楚，用了GPU，模型的训练时间就能明显缩短，原来纯CPU要跑一天的训练，上了GPU可能两小时就跑完了。可是，为什么呢？不知道这种细节是过于浅显还是上不得台面，很多教材都会选择性地遗漏。
不过，《神经网络与深度学习》就单辟了一节来解释。好几千字的内容不好全抄，简单来说，GPU的长处就是用来快速进行大量矩阵运算，当然，以前的矩阵运算主要是用于几何图形渲染，GPU有多重要，玩过大型游戏的都知道。神经网络、深度学习恰好也需要大量矩阵运算，所以“寓教于乐”也就是自然而然的事情了。
看完书还有一点是我个人印象特别深的，就是《神经网络与深度学习》这本书的组织结构非常清晰。神经网络是一个很大的范畴，别忘了，神经网络已经发展了半个多世纪，除了深度学习这个当家花旦，还有很多其它路线分支。
不同路线都有自己的知识点，很多教材会选择将这些知识点“合并同类项”，结果就是不同路线的知识点全混杂在了一起。而《神经网络与深度学习》则选择了另一种做法，把路线首先划分出来，譬如专设一章叫《基于浅层神经网络的机器学习》。
我长期对神经网络有一个误解，感觉在深度学习出来以前，神经网络一直都在打酱油，是“天不生仲尼，万古如长夜”。读完“基于浅层神经网络”这一章以后，我非常感慨，虽然有算力等种种硬性制约，但前辈们还是在极其简陋的条件下想尽办法，一点一点地提升神经网络模型的性能。
另一个让我同样很感慨的是玻尔兹曼机，因篇幅有限没法展开了，读完以后了解到的，不仅仅只是充满了数学式子的知识，还有知识背后无数人披荆斩棘的坚持。
关于作者：莫凡 ，网名木羊同学。娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者，擅长高冷技术的“白菜化”解说，微信公众号“睡前机器学习”，个人知乎号“木羊”。
延伸阅读👇
延伸阅读《神经网络与深度学习》
推荐语：IBM沃森研究院明星研究员、KDD知名学者撰写，Philip S. Yu、Huan Liu、孙茂松、王斌等多位专家联合推荐，经典深度学习教材翻译版。
干货直达👇
更多精彩👇
在公众号对话框输入以下关键词
查看更多优质内容！
读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手
大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都关注了这个公众号
👇
以上是关于终于有人把人工智能和深度学习讲明白了的主要内容，如果未能解决你的问题，请参考以下文章