理解机器学习

0. 前言

当决定想写这篇文章，以对前段时间的学习做个总结，同时对自己的努力有所交代的时候，一个难题摆在了我的面前：人工智能的命题太大，我驾驭不了。而选择一个具体的题目，其容量又不足以表达作者的思路。这与我们设计网络、选择参数何其相似！

最终，我选择了机器学习这个不大不小的范围。题目也是增删数次，风格一变再变，最终还是定了这个严肃一点的。希望大家能够喜欢。

当提到机器学习的时候，我们必须要弄清楚几个问题：

1. 希望学到什么？

2. 用什么方法学？

3. 学习的效果如何？

4. 不能学得更好的原因是什么？

弄清楚了上述问题，我们就对机器学习的体系有了一个整体的概念，从而能够更深刻地理解相关问题。所以，上述几个问题，也划定了本文的基本框架。希望读者在读完本文之后，能够对机器学习有一些新的理解。

1. 学什么？

机器学习，目的是学习一组映射关系。

1.1 几个例子

• 前段时间大火的AlphaGo，增强学习（Reinforcement Learning） 在其中起着重要的作用。而增强学习的实质，就是学习状态空间到动作空间的映射。

• 深度神经网络在近几年获得了巨大发展。特别是在语音识别、计算机视觉等领域，更是获得了巨大成功，一时风光无两。例如，CNN网络用于图像分类，其实质是学习数字图像空间到类别空间的映射。

• 支持向量机（SVM）所代表的统计学习方法，在2010年之前的20年间，一直是机器学习领域的主流。SVM所擅长的小样本分类问题，实质也是学习从样本表示空间到类别空间的映射。

• 回归问题，一维的回归是两个一维实空间之间的映射。

1.2 数学表示

• 映射是从数学引进的一个概念。用数学的语言表示如下。其中，Ψ表示要学习的映射，I 表示输入集合，O 表示输出集合。

Ψ:I↦O

• 从这里可以清晰地看到，要素有三个，其中 Ψ 未知，是要学习的目标。而我们需要获得足够的已知信息，并找到合适的方法，从已知信息拟合出未知的映射。

• 显然，我们能够获取的已知信息，包括 I 和 O。不过，在很多时候，我们也能够通过各种方式，获得一些关于 Ψ 的信息，这一点经常被人们所忽略。

可以说，机器学习的历史，就是这三个变量之间的一首协奏曲。而乐手就是我们自己。

2. 怎么学？

当我们所获取的 Ψ、I、O 的已知信息量不同时，往往意味着需要不同的学习手段去达到目标。

2.1 特征表示

特征表示理论，是与输入集合死磕的结晶。

• 难以描述的输入：在机器学习领域中，输入集合中的元素，有可能十分复杂，以致于无法直接用计算机语言描述。即便能用计算机语言描述，根据信息论，一般也没有办法描述出全部的信息。

• 抽取有用信息：输入元素的信息，可能极为庞大，但有用的信息，只是其中一小部分。

• 为了解决上述两个主要问题，机器学习理论中，专门独立出来一个分支，特征表示。科学家们将一个输入元素从不同的侧面加以描述，数量化，映射到一个实数空间中。每一个这样的描述，称为一个特征。

• 在如何抽取有用特征这个问题上，进展一直十分缓慢，基本都是人工。特别是高维度且维度间不独立的情况（比如图像），一直缺乏有效手段。直到卷积神经网络（CNN）方法提出后，这方面才有了一些进展。到深度学习兴起，这个方向才开始了大踏步前进。

• 特征表示手段上的进步，也恰恰是深度学习大招之一。

2.2 数学表示的变化

• 经过特征表示后的数学表示如下。其中，Λ 是特征抽取的映射。

Ψ∗Λ:I↦O

• 分化出一个映射有其好处。一方面，人的精力有限，这样可以缩小研究领域，各自独立演进。另一方面，在学习时，可以适当加入人类的智慧。

• 例如，在CNN深度学习中，特征抽取的网络设计，完全体现着人类的智慧。但参数则是通过训练学习出来的。在公共训练集上学习出来的参数（称为模型），由于其独立的特性，又可以供其它研究人员直接使用，从而节省了大量资源。视觉领域比较著名的模型有 AlexNet Model、VGG Model、GoogleNet Model、ResNet Model等。

2.3 学习的路数

每一种方法，都有它存在的意义。

• 当已知 I 中的元素，但不知道对应的 O 中元素时，即对映射一无所知，此时是无监督学习。

• 当已知一部分 I和O元素的对应关系时，即在一些点上知道映射的情况，此时是监督学习。

• 如已知映射在某点集上的情况，如果点集足够大，则适用大样本学习技术，如深度学习。如果点集比较小，则适用小样本学习技术，如SVM。

• 我们可以给 Ψ加入一些人类智慧。比如限制函数的选择范围（SVM经常干的事儿），增加人为的假定（比如HMM中的马尔可夫性假设）等。

总之，每走一步，你都会发现一个不同的地方，于是你都有希望创造一种新的武器。十八般兵器，各有各的适用场景。

2.4 内力

如果说，各种实用学习技术是兵器，那么计算能力和信息收集能力则是驱动这些武器的“内力”。

• 计算能力主要由两套“秘籍”组成：以芯片为核心的“硬件神功” + 以算法为核心的“软件大法”。信息收集能力则考验的是信息流动的速度和广度，互联网的兴起，给了这项能力以极大的助力。就像金庸小说里一样，内力真的很重要。所以吴恩达才说，计算是引擎，数据是燃料。

• 硬件上现在是百花齐放的局面，各路厂商分别从不同的侧面向前挺进。有攻石墨烯的，有重新设计架构的，有玩FPGA的，有推GPU的，有搞生物芯片的……就在最近，MIT声称刚刚发明了一种能在手机上运行的深度学习芯片，速度是手机GPU的十倍以上。

• 在算法上，深度网络的兴起、数据量的不断增长，促使算法也在不断地革新。特别是最优化算法、用于特定任务的快速算法，能够以十倍百倍的级别提高计算效率。例如，新算法使得密集CRF现在能够有效地计算，这在以前是不可想象的；一个简单的快速计算 ex 的算法，能够在这样的低层次提高十倍的效率。

• 互联网的兴起，使得信息采集能力极大提升。一方面各个大型组织，近年来积累了数以PB计的数据量。另一方面，像ImageNet这种数据集，能够在短时间内得以建立，并且每年都在以不可思议的速度更新着。数据获取成本的降低，又极大推动了各项研究的进步。

3. 学得怎么样了？

我们的目标是星辰大海
我们已经在路上
我们仍然在路上

仅仅机器学习领域，作者就已经很难Hold住，更何况在各行各业各个角落的应用呢。本节，作者也只能是采取一斑窥全豹的笔法，对现状做一个概览。

3.1 视觉

• 图像分类的正确率，已经超过人类（参见ResNet相关论文）。

• 人脸识别，已经在很多场合达到商用标准。近期加入了深度学习技术后，精度进一步提高。

• 物体检测方面，深度学习技术使得检测准确率从之前的50%左右，提高到了70%起。在特殊的场景，甚至能达到90%。

• 像素级语义分割，Facebook最新的论文展示，已经将精度做到了令人发指的程度。

视觉：在成熟的分类领域，机器已经超越人类。在更复杂的领域，机器正在接近人类。

3.2 语音

• 国内百度、讯飞等语音识别准确率，都号称已经达到95%这样的级别，并且正在向着99%进军。

• 智能手机现在如果不支持语音，都不好意思拿出来见人。这从一个侧面说明了语音识别的成熟度。

• 在语义理解、自动合成、自然语言处理等方面，也在飞速进步。但是作者在这些方面了解有限，就不遗笑大方了。

3.3 综合

• Alpha Go 今年与李世石对弈，过程几近碾压。

• 谷歌无人驾驶汽车，实测了N长时间，才在前不久发生了一起大点的事故。事故率已经比人类低了。新加坡则刚刚又另一个无人车上路行驶。

• 无人机在军事领域应用已久，在民用上方兴未艾。

• 服务机器人市场呈不断增长态势。

• 深度学习技术，在医疗、基因、气象等很多领域不断开疆拓土，论文层出不穷，深刻改变着各行各业。

4. 未攻克的堡垒

当我们竭尽全力突破了眼前这一层黑幕，本以为大幕之后是渴望的天堂。然而，我们只发现了更广阔的未知世界。

4.1 哲学

在没有哲学的世界，能走多远，依赖于上帝怎样掷色子。

长久依赖，在这个领域中，无论是研究者，还是使用者，都倾向于实用主义。相对于理论，他们更倾向于有效果。以致于，我们当今使用的大多数理论，在30年前早已全部建立起来了。

对待理论尚且如此，更何况哲学？

但是，机器学习已经发展了半个世纪，在这么长的时间里，它在哲学上的建树屈指可数。我们当今在这个行业里的所有人，几乎都是在同一套哲学体系下教育出来的。

这是一种好的情况，好处在于能够集中力量突破。这也是一种坏的不能再坏的情况，因为系统的正确航向，完全依赖于这个系统的自我纠错能力。纠错能力一旦失效，系统将万劫不复。

甚至，在指导实践时，除了现在的这套方法论，还有没有其它的可能？这个问题几乎没人想过。反而是一些神经科学家，开始了一些类似的尝试，比如《Building Machines That Learn and Think Like People》这篇论文所表达出的思想。

4.2 硬件

新的时代，需要新的哲学；新的哲学，催生新的体系。

我想，任何时候，我们都需要更加高级的硬件。比如，石墨烯是否能够替代硅；比如，生物芯片是否真的可以提高能源使用效率。但是，我现在想说的是，可能这些都不是现在要考虑的重点。

当前我们需要考虑的重点，应该是实现智能我们需要什么样的架构？。在此基础上，我们的硬件才有可能出现重大的突破。否则，变换材料也好，平面变立体也罢，都只是水到渠成的自然而然地发展，算不得什么大不了的事儿。

当年，冯诺伊曼提出了现代计算机体系的基本架构，给计算机的发展奠定了基础。体系体现的是哲学，这本质上是一种特定的哲学在一个特定的时代的胜利。

但是，现在，时代已经前进了。新的时代，需要新的体系。

在未来一段时期内，可编程硬件和特定任务专用硬件（如GPU）可能仍然会占据主流位置，因为我们最新的机器学习技术框架远没有到稳定的程度。在可见范围内能够稳定的，仍然只有向量计算和神经网络方法。

在向量计算方面，Novida代表的GPU厂商和Google代表的字眼TPU在未来一段时间内预计会加强其主流的位置。在可编程方面还没有冒出很牛的厂商，但最终模块化的趋势是可见的。

4.3 Sensor

Sensor在机器学习中，之前可以说没什么地位。但是，如今随着形势的发展，作为人工智能一部分的机器学习，对于Sensor的依赖，达到了以前任何时期都没有的高度。

Sensor，是在采集能力方面下一个大的进展中的核心环节。所谓万物互联，互联了之后是要沟通信息的。这些信息从哪里来？不可能从人工编辑来，最有可能的，便是从各式各样的Sensor中来。

Sensor在未来，绝对是一个万亿级别的产业。

4.4 算法

理论上的问题都已经被数学家研究光了，我们只需要从他们的库房里找来合适的锤子。

当今机器学习最火的分支是深度学习，而深度深度神经网络最大的未解决问题是局部极值问题。

在这个方面，深度学习大神Bengio已经开始了一些有益探索。最新论文《Mollifying Networks》引入了最优化理论中的平滑延拓法，结合模拟退火算法，求神经网络的全局极值。

其实对于全局优化来说，可行的路径无非是两个。一是用随机方法，二是使用平滑法，用上下界函数或者平滑函数来替代目标函数。Bengio这篇文章，就是将二者结合使用的例子。

其实，另外一种可能更好的办法，是像SVM一样，通过理论推导，得到一个凸的上界函数，上界函数能够有效逼近全局极值点。但这个路线需要理论上的进一步完善，而理论恰恰是神经网络方法所欠缺的。

5. 结语

回头一看，居然已经写了这么许多。

要写的东西很多，范围很广，而作者能力有限，所以有些地方不免流于表面和务虚。对于不太了解机器学习的读者，可能收获是有限的。

然而，本文的目标，正是给出这样一个务虚的概览。有了概览，才能看清方向。本文的写作过程，也是作者不断总结、不断系统思考的一个过程。借助写作，文中的不少观点都是作者之前没有意识到，也没有总结出的。

不过，作者认为，这些意外到来的不速之客，恰恰是真知灼见所在，也恰恰是本文价值所在。如果读者能够从本文获得一二启发，或赞同，或思考，则作者幸甚。