5.3 多层架构深度挖掘
深度学习能够帮助计算机分辨出自然界中混乱信息的特征量,而自动编码器能让这些特征量变得更为工整。那么这两者究竟是如何协同工作的呢?人工智能4.0时代的深度学习又是怎么让人工智能变得更加智能的呢?
在深度学习中,多层级架构是一个需要重点攻克的领域。在这个领域里,当自然界中的数据被计算机接受后,自动编码器会在一定程度上取代原有的输入层,因此我们可以将隐层作为第一层,并将输出层作为第二层。隐层的作用就是将正确分类的数据输出给计算机,让其进行自我学习。如果我们假定神经网络接收到的信息有100个维度,那么经过带有自动编码器的隐层处理后,这个100维度将变成10个维度,随后这10个维度将作为下一个隐层(也可以被认为是下一层的输入层)并再度处理(见图5-8)。
在图5-9中的第二个隐层中,数据在压缩后得到了质量更高的特征量,在进入下一节点或者说另一层节点的时候,这个数据在自动编码器的调节下,将被再一次还原为100个维度的信息,也就是说数据被反向还原了。在进入另一个层级后,这些数据将再度被分成不同维度的信息,最终在多个节点的共同作用下,数据被分成众多输出端的“已学习”内容(见图5-9)。
数据被一层一层分类学习后,最终成为一个一个的独立信息。对计算机来说,学习这样的独立信息所需花费的时间比集合学习某一些自然信息要少得多。当分层数量为无数层的时候,特征量也将变得极度清晰。也就是说,在第一层的时候计算机学习的是“脚”;而到了第二层就变成了“人类的脚”;第三层则是“五个脚趾的脚”……一旦计算机能够识别“特征1、2、3”这样的不变量,那么我们只要将这些概念的名称交给它就可以了,在有监督学习的系统中,这样的概念传授是一件十分简单的事。
将一些有关联的东西结合在一起,组成一个具体的特征量,再从这些特征量中提取更多的高级特征量,最后给这些高级特征量标注一个概念,这就是深度学习与自动编码器协同工作的最终目的。这就像是人类在欣赏风景的时候,虽然我们只是漫无目的去观察各种各样的事物,但当我们一眼扫过的时候却可以在大脑中处理完这些信息,产生许多概念,例如“枫叶变红了”“野果已经熟透了”等。
其实,我们的大脑在观察一些事情的时候也进行着分层结构处理,尤其是在我们刚刚认知事物的时候:桌子与凳子的关联是什么?区别是什么?可以吃的食物有什么特征?如何区别食物和桌子?我们从这些海量信息中寻找到特定的特征量,进而通过这些特征量提取出更高级的高级特征量,最终分辨出桌子是不能吃的、食物不会是木头做的……随着特征量的积累和淬炼,我们开始越来越了解周围的世界。从这个角度来看,也许深度学习和自动编码器的结合正是在模拟大脑的运作过程。那么,这个过程会不会一直支撑人工智能发展下去,直到它替代人类大脑进行思考的那一天呢?
本书评论