揭秘深度學習的背後與腦科學之間的秘密
人工智慧學家
作者:Amanda Monta?ez
翻譯：younger審校：心
互動式神經網路「遊樂場」的視覺化為機器學習方式提供啟示
最近，《科學美國人》上一篇名為「Springtime for AI: The Rise of Deep Learning」的文章中，計算機科學家Yoshua Bengio闡釋道，正如人們早就預見的一樣，複雜的神經網路是真正的人工智慧的關鍵。通過對計算機編程，使其與人腦工作模式相似，計算機就會越來越聰明，這看來似乎很有邏輯性。然而，我們對大腦功能了解得如此至少，這項任務就顯得有些讓人望而生畏，那麼深度學習如何工作？
以下內容來自於Jen Christiansen，解釋了神經網路的基本架構和功能。
只會越來越聰明的類腦網路
大腦皮質中神經元到神經元的連接，為創造模擬這些複雜連接的演算法提供了靈感。基於無數張圖片的首次訓練，神經網路可以識別某個人臉。一旦它「學會」將臉分類（比如，與手區分開來），並可以檢測到人臉，那麼這個網路就會應用學到的知識，去識別之前見過的臉，雖然同一個人的圖片與之前訓練機器時的圖片稍有不同。
網路為了識別人臉，會建立任務，分析輸入層中被展示的某張圖片的單個像素。然後，在下一層中，它會選擇某張人臉對應的特定的幾何形狀。通關提升層次，中層的網路會探測到眼睛，嘴巴以及其他特徵，然後在更高層級，一個複合的全臉圖片才會被識別。在輸出層，網路會做出「猜測」，比如人臉是Joe的，而不是Chris或者Lee的。
學習
神經網路要分辨人臉，需要在約幾百萬張樣例中訓練，之後才會從一大堆圖片中選擇出某人的臉。
識別
將一張人臉圖片輸入網路，每層都會對其分析，最後網路會正確推測出圖片中人的身份。
每層網路逐步能夠識別更複雜的特徵。
很明顯，為將整個圖片解碼成視覺組件，這些所謂的「隱層」至關重要。而且我們知道，各個層面工作有一個順序：從輸入到輸出，每層處理的信息越來越複雜。除此以外，隱層，如它的名字所述，仍然有些難以理解的神秘色彩。
Daniel Smilkov 和Shan Carter是最近一個協作項目Tensor Flow的成員，他們創建了一個神經網路遊樂場，旨在讓用戶對隱層進行交互和實驗，以讓大眾更熟悉隱層。
這張展示的內容很多，最近我很幸運能夠聽到在OpenVisConf會議上Fernanda Viégas 和Martin Wattenberg對一些內容做了解釋。（他們是Tensor Flow背後團隊的成員，在現實世界的神經網路應用來說，Tensor Flow是個非常複雜的開源工具）。
神經網路遊樂場不用人臉那麼複雜的輸入，而是用一個區域中散布著的藍色或橙色的點，「教」機器發現模型以及仿效模型。用戶可以選擇不同複雜度的點分布，然後增加新的隱層，來操作學習系統，以及每層中的新的神經元。然後，用戶每點擊一次「play」按鈕，都可以看到，背景顏色出現梯度轉移，並會類似於藍色和橙色點的分布。模型越複雜，附加的神經元和層就越會讓機器成功地完成任務。
圖片：機器成功地解決了點的簡單排列問題，只用到了同一隱層的兩個神經元。
圖片：機器儘力對這個更複雜的螺旋模型進行解碼。
機器除了神經元層，還有其他如神經元連接等有意義的特徵。這些特徵是藍色或者橙色的，藍色代表積極，即每個神經元的輸出與其內容相同，橙色為消極，指輸出與神經元的值相反。另外，連接線的厚度和不透明度則表明每個神經元預測結果的可信度，就像我們大腦中的連接在我們通過學習過程提升自己時會加強。
有趣的是，我們為機器建造神經網路的能力越來越高，最終則可能會進一步揭示人類的大腦如何工作。通過與隱層交互，將其可視化，似乎可以更好地促進這個過程，同時也可讓更多人理解神經網路的概念。
AIE 實驗室
萬元獎金尋找中國科技企業創新線索
告訴我們您的創新，讓「中國創新」進行報道
為了進一步挖掘中國科技創新企業成果，研究中國中國科技企業創新特徵，AIE實驗室與合作夥伴提供1萬元獎金，徵集中國科技企業創新線索。
人工智慧學家Aitists
人工智慧學家是權威的前沿科技媒體和研究機構，2016年2月成立人工智慧與互聯網進化實驗室（AIE Lab)，重點研究互聯網，人工智慧，腦科學，虛擬現實，機器人，移動互聯網等領域的未來發展趨勢和重大科學問題。
長按上方二維碼關注微信號 Aitists
投稿郵箱：post@aitists.com
※始終無法解開的八大科學之謎、最具深度的科學之謎
※用深度學習揭開人臉結構的秘密
※深度揭秘一代雄主趙匡胤陳橋兵變背後隱藏的秘密
※深度學習黑箱探測難題發展成新學科：人工智慧神經科學
※人工智慧、機器學習、深度學習，三者之間的同心圓關係
※關於女性陰道的深度秘密
※學習的廣度與深度淺析
※深度學習（七）之深度學習中的正則化
※中國高考的最大「監獄」：毛坦廠中學深度揭秘
※深度學習的IR「之爭」
※研學社架構組｜實時深度學習的推理加速和連續學習
※斯坦福科學家發布用於藥物研究的深度學習演算法
※「免費深度學習課程」谷歌大腦技術負責人開設，從機器學習邁向深度學習
※深度揭秘宇宙最奧秘規律 機械宇宙是科學家猜想
※學養決定書畫的高度和深度
※美媒發布重磅白皮書「機器學習與深度學習的浪潮」
※從這開始了解深度學習——視覺的深度學習與網路
※業界｜深度學習真的萬能嗎？理解深度學習的局限性
※聊聊數據挖掘競賽中的套路與深度學習的局限