Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習

2015.03.19 08:45AM
11163
gtcdt74

 

NVIDIA GTC 的第二日,由 Google 負責深度學習領域的資深科學家暨工程師 Jeff Dean 進行主題演說, Google 是相當早就投入機器學習以及深度學習領域的企業,投入的原因也是為了使其服務更好,同時設法認知使用者行為並能進行應對;然而若是以傳統的人工智慧難以應付瞬息萬變的使用者行為,故具有永續學習進化能力的深度學習也成了 Google 的首選。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第1圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第2圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第3圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第4圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第5圖

在 Google 的服務,產生相當膨大的數據量,而這些數據也成了所謂的大數據基數,但該如何有效的應用這些數據,解析數據就成了相當重要的一環。以圖像為例,如何幫數據庫中海量的照片分類?該如何將一張複雜的照片中分析出照片內的元素?抑或是文字中的語意分析與解析,這些就需要仰賴基於深度學習的識別系統。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第6圖

基於 80 年代推出的神經網路架構的深度學習,是解決 Google 煩惱的手段,將事物逐層拆分並解析,並從中歸類出特徵,並以大量的參考資料中進行自主的學習,最終模仿人類的感知歷程,產生一套自我學習認知平台。就是深度學習的目標,而為了達到此目標,結合具龐大運算核心與處理能力的 GPU 是使其理論得以突破的關鍵。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第7圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第8圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第9圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第10圖

深度學習基於神經網路系統,所謂的神經網路的終極目標,就是如同人的神經一樣,需要具備相當迅速的分辨與聯想能力,且如同人的思考邏輯一樣,它需要具備自主學習以及並行處理的能力,所以深度學習的神經網路架構是透過將學習內容進行拆解、並逐層分析特徵,再從大量的樣本中產生一套判斷邏輯,所以深度學習就像人類一樣可藉由提供大量的參考素材後持續提升精準度,且深度學習後的系統,不僅能夠進行照片物體分析、語音辨識、翻譯,甚至可為一張照片進行註解與敘述。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第11圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第12圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第13圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第14圖

以深度學習來說,不同於傳統的影像辨識需要針對條件撰寫大量且複雜的條件,只要給予參考素材後,就可自主建立判斷方式,例如給予大量的人像照片後,它會自行產生一個做為判斷照片中是否是人像的參考資訊;抑或是貓的照片,給予系統各種不同花色的貓照片藍本,它也能創造出一個用於判斷分析照片中是否有貓的基礎影像。像是現在 Youtube 的自動標籤產生系統,也是基於深度學習的成果。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第15圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第16圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第17圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第18圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第19圖

且深度感知是相當進階的一種人工智慧技術,它不光只是給予應對與反應,而是能夠像人類一樣做出聯想與判斷;項是在文字與語言的使用與解析,基於深度學習的系統能從一開始只能判斷依循完整文法的字句,慢慢能夠判斷倒裝句、了解同義詞。用於語意分析也脫離不了由關鍵字串拆解開始,隨著學習過程,系統將能更精確地抓出關鍵字詞,同時還可進行互動的對話敘述。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第20圖

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第21圖

先前許多深度學習的範例都是用在比較生硬的圖片、文字語意解析;然而 Jeff Dean 最後舉了一個有趣的深度學習的應用,就是讓神經網路系統學著玩 Atari 的遊戲。聽起來好像很簡單,理論上只要撰寫一套邏輯,讓系統設法得分就好,不過光是這樣其實並不足以稱為具進化能力的深度學習。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第22圖

他們只告訴系統如何移動角色,有哪些按鍵,怎樣算是得分,怎樣會 Game Over ,接著就把系統連上遊戲,讓系統學著去玩這些經典遊戲;像是剛開始玩太空侵略者的時候,在前幾輪笨笨的發射子彈也不閃躲,但接著開始知道原來可以閃子彈,到最後知道該如何有效率的移動且快速的通關。

是Google 資深科學家暨工程師 Jeff Dean 用深入淺出的方式介紹深度學習這篇文章的第23圖

像是敲磚塊也是,一開始把球發出去,系統就不會動放著讓球掉下去,但經過一百次的試玩後,系統開始知道要追著球跑不要讓球掉下去,當累積到五百次遊玩後,系統不僅抓到訣竅,還知道可以藉由把球沿著縫隙彈到上方輕鬆的快速得分。

深度學習的目的不光只是一套對應問題的應對的方式,而是經由不斷反覆的自主學習過程中,不僅使系統越來越精確,甚至還能夠自己去發掘變化性,產生更有效率的處理方式。彷彿人類在學習認知的過程一樣,由一開始的懵懵懂懂,到最後能夠抓到訣竅一樣。

回應 8

8 則回應

熱門文章

最新消息

本日精選