11月12－13日，由OFweek中國高科技行業(yè)門戶、高科會主辦的“OFweek2018（第三屆）中國高科技產(chǎn)業(yè)大會”在深圳成功舉辦。在13日“OFweek2018（第三屆）人工智能產(chǎn)業(yè)大會AI技術(shù)專場”上，深圳大學(xué)計算機與軟件學(xué)院特聘教授石大明帶來了“從神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí)”的主題演講，針對深度學(xué)習(xí)在神經(jīng)網(wǎng)絡(luò)的發(fā)展方向進行了詳細分析。

深圳大學(xué)計算機與軟件學(xué)院特聘教授石大明

神經(jīng)網(wǎng)絡(luò)是一門重要的機器學(xué)習(xí)技術(shù)，也是目前最為火熱的研究方向，即深度學(xué)習(xí)的基礎(chǔ)。石大明教授首先詳細分析了人工智能兩大學(xué)派：符號主義與連接主義，緊接著又講述了機器學(xué)習(xí)的兩大方法：有監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，循序漸進。

神經(jīng)網(wǎng)絡(luò)發(fā)展包含四個里程碑，分別是感知器、多層感知器、支持向量機、深度學(xué)習(xí)，并對神經(jīng)網(wǎng)絡(luò)中的難點進行了分析。他提出，深度學(xué)習(xí)在神經(jīng)網(wǎng)絡(luò)發(fā)展中的地位實質(zhì)是靠強大的計算和存儲能力進行搜索而完成自動特征提取，同時具有理論上無突破，缺乏網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)優(yōu)化等缺點。石大明表示，深度學(xué)習(xí)的發(fā)展方向應(yīng)當是：結(jié)合領(lǐng)域知識的特征提取的同時，定量優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。

深度學(xué)習(xí)不是萬能的

大腦的工作過程，是一個對接收信號不斷迭代、不斷抽象概念化的過程。例如，從原始信號攝入開始，接著做初步處理、抽象，再進一步抽象，最后識別人臉。這個過程其實和人們的常識是相吻合的，因為復(fù)雜的圖形，往往就是由一些基本結(jié)構(gòu)組合而成的。因此，石大明介紹到：大腦是一個深度架構(gòu)，認知過程也是深度的。深度學(xué)習(xí)，恰恰就是通過組合低層特征形成更加抽象的高層特征。

深度學(xué)習(xí)通過學(xué)習(xí)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，只需簡單的網(wǎng)絡(luò)結(jié)構(gòu)即可實現(xiàn)復(fù)雜函數(shù)的逼近，并展現(xiàn)了強大的從大量無標注樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。深度學(xué)習(xí)能夠獲得可更好地表示數(shù)據(jù)的特征，同時由于模型的層次深、表達能力強，因此有能力表示大規(guī)模數(shù)據(jù)。對于圖像、語音這種特征不明顯的問題，深度模型能夠在大規(guī)模訓(xùn)練數(shù)據(jù)上取得更好的效果。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，深度神經(jīng)網(wǎng)絡(luò)作出了重大的改進，在訓(xùn)練上的難度可以通過“逐層預(yù)訓(xùn)練”來有效降低。

石大明認為，深度學(xué)習(xí)并不是萬能的，其需要結(jié)合特定領(lǐng)域的先驗知識，需要和其他模型結(jié)合才能得到最好的結(jié)果。此外，類似于神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的另一局限性是可解釋性不強，像個“黑箱子”一樣不知為什么能取得好的效果，以及不知如何有針對性地去具體改進，而這有可能成為產(chǎn)品升級過程中的阻礙。

深度學(xué)習(xí)應(yīng)用最廣泛的三個主要研究領(lǐng)域

深度學(xué)習(xí)極大地促進了機器學(xué)習(xí)的發(fā)展，收到世界各國相關(guān)領(lǐng)域研究人員和高科技公司的重視，石大明表示語音、圖像和自然語言處理是深度學(xué)習(xí)算法應(yīng)用最廣泛的三個主要研究領(lǐng)域：

1、深度學(xué)習(xí)在語音識別領(lǐng)域研究現(xiàn)狀

長期以來，語音識別系統(tǒng)大多是采用GMM來描述每個建模單元的概率模型。由于這種模型估計簡單，方便使用大規(guī)模數(shù)據(jù)對其訓(xùn)練，有較好的區(qū)分度訓(xùn)練算法，在很長時間內(nèi)占據(jù)了語音識別應(yīng)用領(lǐng)域主導(dǎo)性地位。

2、深度學(xué)習(xí)在圖像識別領(lǐng)域研究現(xiàn)狀

對于圖像的處理是深度學(xué)習(xí)算法最早嘗試應(yīng)用的領(lǐng)域。起初卷積神經(jīng)網(wǎng)絡(luò)在小規(guī)模的問題上取得了當時世界最好成果。但是在很長一段時間里一直沒有取得重大突破。主要原因是卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在大尺寸圖像上一直不能取得理想結(jié)果，而現(xiàn)在的深度學(xué)習(xí)網(wǎng)絡(luò)模型已經(jīng)能夠理解和識別一般的自然圖像。深度學(xué)習(xí)模型不僅大幅提高了圖像識別的精度，同時也避免了需要消耗大量時間進行人工特征的提取，使得在線運行效率大大提升。

3、深度學(xué)習(xí)在自然語言處理領(lǐng)域研究現(xiàn)狀

自然語言處理問題是深度學(xué)習(xí)在除了語音和圖像處理之外的另一個重要的應(yīng)用領(lǐng)域。深度學(xué)習(xí)在自然語言處理上取得的成果和在圖像語音識別方面相差甚遠，仍有待深入研究。

更多詳細內(nèi)容，敬請關(guān)注OFweek人工智能網(wǎng)后續(xù)專題報道。