深度学习中的怪圈
大数据文摘•20小时前•技能GET
最终，我们将自我觉知、自我创造，陷入自我参照的小小奇迹幻影中。而这种自我参照的机制，如同描述思想独有的属性。
首发于大数据文摘公众号（ID：BigDataDigest），转载请注明来源，作者：Carlos E. Perez 编译：saint，一针。
牛津大学的机器学习先驱Nando de Freitas刚刚在自己的最新推文中推荐了这篇关于“深度学习怪圈”的文章。本文作者将人类自我认知的怪圈与深度学习的算法怪圈相联系，“自我创造”这一似乎是“人类思想”独有的属性，似乎正在成就一些难以置信的深度学习成果。
最终，我们将自我觉知、自我创造，陷入自我参照的小小奇迹幻影中。而这种自我参照的机制，如同描述思想独有的属性。— Douglas Hofstadter
怪圈是一种循环系统，横贯不同等级的各个层次。通过这种循环，一个人可以追溯他的本源。
无独有偶，被Yann LeCun称为“机器学习在过去的二十年间最酷的想法”背后，最根本的实际上正是这种“怪圈”。
循环在机器学习系统中并不典型，按照惯例，这些系统由不同计算层的无环图构成。然而，我们现在开始发现，采用”反馈循环”能衍生出一种令人难以置信的、新的自动操作。
这可不是夸张，这是今天正在发生的事实。研究者们正在训练“精确的”的智能系统，以期创造出在同领域内能力远超于人类的专业自动化。
我第一次知道深度学习系统中使用反馈回路是有效的，是在“梯形网络”里。梯形网络在很早之前就被采用了，可以追溯到 2015年7月！（查看链接）下图为其结构示意。
梯形网络是上下穿梭计算层的单循环回路，后边跟了一个终极单向通道。这套系统从回路部分搜集信息，它被采用之后展示了非常不错的收敛数。这在2016年中的一篇论文中有原始研究人员的进一步讨论：
标记：无监督深度学习感知分组
如果你将好几个梯形网络串在一起就能形成一个大的网络，它能够将图像中的物件分组。
对抗生成网络（GAN）也有它自己的循环回路，但是在结构中看不出来，而是隐藏在它的训练当中。GAN的训练过程中包含了对合作和对抗网络的训练，这涉及了一个生成网络和一个辨别网络。辨别网络想方设法将生成网络生成的数据进行分级；生成网络则是想方设法寻找欺骗辨别网络的数据，最终生成器和辨别器的鲁棒性都得到了提升。GAN可以说在某种程度上达到了图灵测试的要求，是当前最好的图片生成模型。
我们基本可以肯定有一种反馈机制，以生成器利用神经网络（辨别器）生成更智能的结果（例如，更真实的图形）这一形式而存在。有很多GANs生成真实图形的案例。无论如何，由于梯形网络，现在有更新的结构在促使GANs改变。
这些利用了循环的系统也与关于“增量学习”的新研究有关。深度学习系统的缺点之一就是在微调网络时，用新数据来训练会摧毁之前它掌握的技能。就是说，网络会“忘记”过去的学习。由斯坦福开发的一个称为“反馈网络”模型结构里，研究人员开发了一种特殊的网络，可以自我反馈，还能内部迭代显示。
在一篇更近的发表研究成果（2017年3月）中，加州伯克利大学通过GANs和一种新的正则化方法创造出了图形之间的转换，效果惊人。他们把这个系统叫做循环对抗生成网络（CycleGAN），并且有了一些了不起的成果：
CycleGAN 能够实现优异的图形转换。如上图所示，向它输入绘画作品可以生成真实的照片。它还可以实现类似语义转换的功能，如将马变成斑马、或将某个季节的图片变成另外一种季节的样子。
这种方法的关键在于，利用“循环一致的损失”。这种损失确保了这种网络能够实现一种单向转换，之后又能够通过最小损失实现相反的转换。也就是说，网络不仅仅必须学会转换原始图片，还得学会反向转换。
训练深度学习系统最大的难题在于缺乏标记数据。标记数据是控制深度学习模型精确性的源头。不过，这些开始采用循环回路的新型系统正在解决缺乏监督的问题。这就像有一个永动机在自动凭空造出一些新的标记数据变量，最后反过来用更多数据来训练自己。这种自动化机制让他们自己和自己进行模拟游戏，“玩”得多了，就能成为这方面的专家。
这就类似于阿尔法狗(AlphaGo)，它也能够通过自我训练发展出新的策略。当自动化嵌入了反馈回路，而且能够模拟（一些人称之为“想象”）很多不同的情景，还能自测这些情景下的正确性，那么我们就进入了超级科技爆发的临界点。
而这种井喷式的快速发展所将带来的科技能量，我们人类文明远未做好掌握它的准备。所以下次如果你看见一些难以置信的深度学习成果，可以尝试寻找嵌在算法里的怪圈。
没有任何准备的人们，祝你好运。
