為什麼即使不做程序員，你也需要了解一點深度學習

編者按：與其擔心未來，不如創造未來。開智部落聚集起一群有創造者氣質的小夥伴，他們偏愛輸出勝於輸入，偏愛知識源頭勝於雞湯碎片，偏愛動手創造勝於一旁觀望。同樣好奇、擔憂或是困惑與人工智慧是什麼，部落的周瑞珍不止步於好奇觀望，直接上手學習。上周，她在開智部落分享，闖入深度學習世界，她學到了什麼。

人類對於人工智慧一直抱有無限遐想。

古希臘神話中，火神赫菲斯托斯用金子製造機器人女工，她們不僅可以幫他幹活，還可以同他交流。瑪麗雪萊筆下的科學怪人，和普通人一樣擁有好奇心，追求美好情感。除了出於提高勞動效率，改善生活等考慮，人類痴迷於人工智慧，還因為人類也渴望成為造物者，像女媧那樣，看著泥土在自己手中幻化成有智慧的生命。

也許這一天還很遙遠，人類的探索從未停止。過去幾年，人工智慧快速增長，前所未有的浪潮洶湧而來。深度學習作為人工智慧的一個子領域，在解決複雜學習問題領域的成功已經有目共睹。亞馬遜語言助理 Alexa、人工智慧圍棋程序 AlphaGo、Google 自動翻譯，這些技術背後都離不開深度學習。

我也十分好奇，計算機是如何具備學習能力的。相關科普文章、八卦新聞、媒體報道無法滿足我的好奇，於是我直接參加了開智學堂第一期深度學習課程。作為一個深度學習小白，我想跟你分享探索路看到的風景。

機器學習，學什麼

機器學習把計算機看做黑盒子，接收輸入，處理後反饋結果；把處理過程表徵為一個模型，或一個函數 f()。

對於圖像識別程序，

對於AlphaGo，

對於語音識別程序，

這個函數有可能非常複雜，計算機的任務就是把它模擬出來。

假設有這樣一組數據，記錄了一門課程的結業成績，a1 是學生的平時分，a2 是期末考試的分數，y 是老師給出的最終得分。這組數據稱為樣本集，a1，a2 稱為特徵，y 稱為標籤。

把數據交給計算機，讓它從中學習打分的模型。也就是說，我們期望它能夠獲得這樣一個函數f(a1,a2)，儘可能地滿足這一系列等式

f(60,90) =80

……

f(50,65) =75

假如計算機學習到的模型是正確的，或者準確率可以接受，我們就可以給這個函數一系列新的輸入，讓它預測這些學生的分數。

看看如何用深度學習來解決這個問題。深度學習是機器學習的一個分支，基於人工神經網路技術。在理解神經網路之前，要先理解什麼是神經元。神經元其實就是一個能夠接收輸入，對輸入進行線性疊加，運算並輸出結果的單元。

為了簡化問題，假設神經元直接把線性疊加的結果輸出，沒有經過其他的運算。 即 f(a1,a2)=a1W1+a2W2+b，W1，W2 是平時分和期末分數分別所佔的權重，但它們是未知的。神經網路的任務就是把這三個未知數 W1，W2 和b 算出來。

怎麼算呢？答案是：猜。當然不是漫無目的的猜，而是按照特定的策略，一邊猜一邊進行修正。參考下面的流程圖。

先給權重和常數賦一個隨機的值，假設是 W1=0，W2=1，b=2。把樣本集里的第一行數據交給神經元進行計算。 把計算結果和第一行數據里的真實值進行比較，算出誤差。再根據誤差修改權重。具體怎樣修改權重，有很多種方法，都是基於特定的數學理論，能夠保證不斷的迭代之後，誤差會越來越小。這個基於誤差修改權重的過程，就稱為學習。學習方法歸根結底就是網路連接權重的調整方法。接下來不斷地循環以上過程，直到誤差變得最小，就獲得了最合適的 W1，W2 和 b 的組合，也就得到所需的函數。

以上是最簡單的，只有一個神經元的網路，它只能表達簡單的函數。假如有兩個老師給學生打分，他們的意見不一致，各自都有自己的一組權重。那就在網路中增加一個神經元。權重增加為四個。每個老師算出的分數再交給一個神經元進行計算，同樣也要添加不同的權重。

假如輸入的特徵增加，例如上課次數，平時分，期末得分共同決定總成績，網路就變為

當許許多多神經元按一定規則連接起來，構成深度神經網路，就具備了強大的功能。深度學習的「深度」一詞指的是層數比較多的神經網路。

以上就是神經網路的工作原理。

人工神經元與大腦神經元

神經元的學習過程令我想起曾經在科學館裡走過的鏡子迷宮。當你進入迷宮後，眼前層層疊疊，分不清虛實，前進的方法是用手裡的泡沫軸敲一敲，看看是鏡子還是路，如果路就往前走，如果是鏡子就換一個方向，當走到了死胡同就退回來。

人類大腦做決策也是類似的：不斷的接收輸入，做出判斷，再根據現實與自身判斷的差距進行調整。人類的學習是對自我的修正，人工神經元的學習則是對它擁有的一系列權重係數的修正，只是在計算機上精確的量化了這一過程。

1943 年，邏輯學家 Walter Pitts 和神經生理學家 Warren McCulloch 提出神經元模型，其後神經網路研究起起伏伏多年，一度被淡忘，直到 2010 年前後才重新崛起，獲得廣泛應用。事實上人工神經網路的發明正是受到中樞神經系統的啟發。研究大腦認知機理，再把它運用到計算機上，是實現人工智慧的一個重要途徑。下圖是大腦神經元的構造。

樹突是神經元的輸入通道，軸突是神經元的輸出通道。一個神經元通常具有多個樹突，而軸突只有一條，軸突尾端有許多軸突末梢跟其他神經元的樹突產生連接，從而傳遞信號。這個連接的位置在生物學上叫做「突觸」。

1977 年諾貝爾物理學獎得主安德森在論文《多者異也》中指出，物質在不同的尺度會遵從不一樣的規律。單個神經元的功能十分簡單，當神經元多達數百億個，心智自然湧現。大腦神經網路之所以具有思維認識等高級功能，正是因為無數神經元之間的聯結構成了一個龐大而複雜的系統。

我前面所介紹的內容，都只是簡單的，淺層次的理解，可能有些知識也屬於「司機知識」。深度學習是一個融合了數學，計算機技術和特定領域知識的多學科交叉領域。在數學理論的指導下，才能保證模型的學習是朝著正確的方向，能夠獲得最優的結果；在理解了神經網路的原理之後，必須通過編程技術才能真正實現；如何用來解決現實中的問題，計算機怎樣理解圖像，我們使用的語言文字要怎樣轉換成計算機可以處理的數字，這些都是需要沉下心來，投入時間才能夠掌握的。下一階段的計劃是深度學習「深度學習」。

學習如織網

新生兒大腦中約有 860 億個神經元。對大腦的運行而言，神經元數目只是一方面，神經元之間的連接才是決定性的。怎樣建立神經元之間的連接呢？通過學習。

神經可塑性（Neuro-plasticity）是指的由於經驗原因引起的大腦的結構改變。神經可塑性是近期的發現，過去往往認為在嬰兒關鍵期後，大腦結構往往不發生變化。大腦有神經元細胞和神經膠質細胞構成，這些細胞互相連接，通過加強或削弱這些連接，大腦的結構可以發生改變。

大家都有這樣的體會，第一次讀到一段文字，往往不會有深刻印象。後來，在某個觸動你的故事中再次看到這段文字，或某個具體場景令你聯想到它，才在腦海中留下鮮活印象。

中學時很喜歡讀詩詞，大部分都是過目即忘。某天放學路上，我望著天邊的落日，一句話從腦海里湧出：浮雲遊子意，落日故人情。完全記不起這是誰寫的，什麼時候讀過，甚至有種錯覺，似乎是自己想出來的。查書才知道來自李白的《送友人》，這時我才是真正的「記住」了這首詩。

生物學家埃里克·坎德爾（Eric R. Kandel）研究原始動物海兔的神經細胞，發現記憶就發生在神經元的突觸上。短期記憶形成時，突觸連接的強度增加，長期記憶形成時，不僅是突觸強度增加，神經迴路中的突觸數目也發生了變化。

因此，坎德爾寫道：「對需要長期保持的記憶而言，輸入的信息必須經過徹底而深入的處理。要完成這樣的處理過程，就得留意這些信息，並把這些信息跟記憶中已有的知識有意義地、系統化地聯繫起來。」

古人云，學而時習之。學習是一個反覆印證，互為佐證的過程，也是在不斷地增強大腦中神經元之間的連接。深度學習的計算部分，通過線性代數中的矩陣來實現。每列代表一個神經元，也就是它所擁有的權重。一個公式簡潔的表達了前面所說的一系列運算步驟。

這是我和線性代數的第三次相遇。

讀大學時它是令我頭疼的一門課，各種矩陣變換令人暈頭轉向，完全不明白為什麼要定義這些奇怪的規則。考研時弄懂了，後來工作中不常用到，又漸漸遺忘。在深度學習課程中，我才明白，原來矩陣可以用在這裡。

我們接受的教育有一個奇怪的特點，把知識灌輸到了腦海，卻沒有與現實生活聯繫。彷彿有一塊孤零零的區域，專門用來考試。學生在考試的指揮棒之下趕路，無法領略其中的奧妙。直到多年以後，為了理解新的知識去重溫，才明白，原來它是這樣使用的。把過去的記憶提取到大腦中，與新的記憶連接，我們同時在織著兩張網，一張是虛擬的知識網路，一張是大腦中神經元的網路。

洞穴外的光

到目前為止，我參加了開智學堂的四門課程，坦白說，開智的課程信息密度都很大，稍不注意就會掉隊。每期課程都有一些特別優秀的同學，在我還沒看懂演算法內容的時候，他已經可以和老師討論演算法的性能了。我的狀態就是一直在追趕，從來都追不上，但是這樣一次又一次「被虐」，我卻樂此不疲。

大家可能聽說過柏拉圖的洞穴隱喻，設想有一個深邃幽暗的洞穴，人被完全禁錮，只能看到前方牆壁上刻意製造的幻象，他就以為這是真實的世界。當其中一人的枷鎖被解除，能夠自由行動，看到洞穴里的一切，他會開始思考何者為真何者為幻，產生困惑與痛苦。當他走出洞穴，逐步看清事物真相，適應了刺眼的陽光，便不願意再回到黑暗之中生活。

我們都生活在自我構建的洞穴之中，它可以是你所處的環境，也可以是人生的不同階段。假如你觀察一個孩子，會發現他的喜怒哀樂、行動都是出於本能，是不自知的。隨著心智成熟，有一天他會能夠意識到自己的情緒，從而調節和控制。這便是一個走出洞穴的過程。留在已知世界中會令我們感覺安全，而探索新知，開拓思維的疆域，則有機會來到更寬廣更精彩的世界。對我而言，這就是光。

其實學習的這些課程，在短期內都和我的工作沒有多大關聯，但是並不意味著它們對我的生活不具備現實意義。在我看來，最好的教育不是僅僅提供知識和答案，而是給你更多疑問，讓你對現狀產生質疑。

相信很多小夥伴都和我一樣，面臨這個問題：想做的事情太多，時間不夠用，怎麼辦？在學習認知科學，了解大腦怎樣做決策後，開始嘗試著簡化生活， 把一些不那麼重要的事情儘可能地簡單化，自動化，減少對認知能量的消耗。在陽志平老師的生活十二問和童牧晨玄老師的分享中都有提及，我就不再贅述。

簡化生活，最重要的是處理好與身邊人的關係。遠方的戰爭會令我們動容，慨嘆過後，生活照舊。但是假如和身邊的人，尤其是家人產生矛盾，則會帶來一整天的心神不寧。而我們往往更在意自己面對外人時的形象，而忽略了家人的感受。意識到這一點，帶來的是行動上的改變。相比兩年之前，我能感受到自己能夠以一種更平和的心境面對工作和生活。

陶淵明筆下，武陵人穿越山中小口，遇見桃花源。當我們跨出自我的疆域，踏進未知世界，或許會感覺豁然開朗，另有一番天地？▉

— End —

作者：周瑞珍

編輯：張高峰

參考資料：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！