勤學(xué)勵(lì)志文章
勤學(xué)勵(lì)志文章
勤學(xué)是我們每個(gè)人最應(yīng)該做到的習(xí)慣，那么勤學(xué)勵(lì)志文章都有哪些呢?一起來看看吧。
勤學(xué)勵(lì)志文章：深度學(xué)習(xí)是什么
作者：獵豹CEO傅盛
人工智能，就好像第四次工業(yè)革命，正從學(xué)術(shù)界的私藏，轉(zhuǎn)變?yōu)橐环N能夠改變世界的力量。尤其，以深度學(xué)習(xí)取得的進(jìn)步為顯著標(biāo)志。它讓匍匐前進(jìn)60年的人工智能一鳴驚人。我們正降落到一片新大陸。深度學(xué)習(xí)帶來的這場(chǎng)重大技術(shù)革命，有可能顛覆過去20年互聯(lián)網(wǎng)對(duì)技術(shù)的認(rèn)知，實(shí)現(xiàn)技術(shù)體驗(yàn)的跨越式發(fā)展。
那么，深度學(xué)習(xí)到底是什么?怎么理解它的重要性?
我們先從概念和現(xiàn)象入手。我總結(jié)了一句話，學(xué)術(shù)上看未必嚴(yán)謹(jǐn)，但從我的理解角度看——深度學(xué)習(xí)是基于多層神經(jīng)網(wǎng)絡(luò)的，海量數(shù)據(jù)為輸入的，規(guī)則自學(xué)習(xí)方法。
這里包含了幾個(gè)關(guān)鍵詞：
第一個(gè)關(guān)鍵詞叫多層神經(jīng)網(wǎng)絡(luò)。
深度學(xué)習(xí)所基于的多層神經(jīng)網(wǎng)絡(luò)并非新鮮事物，甚至在80年代被認(rèn)為沒前途。但近年來，科學(xué)家們對(duì)多層神經(jīng)網(wǎng)絡(luò)的不斷算法優(yōu)化，使它出現(xiàn)了突破性的進(jìn)展。以往很多算法是線性的。而這世界上大多數(shù)事情的特征是復(fù)雜非線性的。比如貓的圖像中，就包含了顏色、形態(tài)、五官、光線等各種信息。深度學(xué)習(xí)的關(guān)鍵就是通過多層非線性映射將這些因素成功分開。
那為什么要深呢?多層神經(jīng)網(wǎng)絡(luò)比淺層的好處在哪兒呢?
簡(jiǎn)單說，就是可以減少參數(shù)。因?yàn)樗貜?fù)利用中間層的計(jì)算單元。我們還是以認(rèn)貓為例好了。它可以學(xué)習(xí)貓的分層特征：最底層從原始像素開始學(xué)習(xí)，刻畫局部的邊緣和紋;中層把各種邊緣進(jìn)行組合，描述不同類型的貓的器官;最高層描述的是整個(gè)貓的全局特征。它需要超強(qiáng)的計(jì)算能力，同時(shí)還不斷有海量數(shù)據(jù)的輸入。特別是在信息表示和特征設(shè)計(jì)方面，過去大量依賴人工，嚴(yán)重影響有效性和通用性。深度學(xué)習(xí)則徹底顛覆了“人造特征”的范式，開啟了數(shù)據(jù)驅(qū)動(dòng)的“表示學(xué)習(xí)”范式——由數(shù)據(jù)自提取特征，計(jì)算機(jī)自己發(fā)現(xiàn)規(guī)則，進(jìn)行自學(xué)習(xí)。
你可以理解為——過去，人們對(duì)經(jīng)驗(yàn)的利用，靠人類自己完成。在深度學(xué)習(xí)呢?經(jīng)驗(yàn)，以數(shù)據(jù)形式存在。因此，深度學(xué)習(xí)，就是關(guān)于在計(jì)算機(jī)上從數(shù)據(jù)中產(chǎn)生模型的算法，即深度學(xué)習(xí)算法。
問題來了，幾年前講大數(shù)據(jù)，以及各種算法，與深度學(xué)習(xí)有什么區(qū)別呢?
過去的算法模式，數(shù)學(xué)上叫線性，x和y的關(guān)系是對(duì)應(yīng)的，它是一種函數(shù)體現(xiàn)的映射。但這種算法在海量數(shù)據(jù)面前遇到了瓶頸。國(guó)際上著名的ImageNet圖像分類大賽，用傳統(tǒng)算法，識(shí)別錯(cuò)誤率一直降不下去，上深度學(xué)習(xí)后，錯(cuò)誤率大幅降低。在2010年，獲勝的系統(tǒng)只能正確標(biāo)記72%的圖片;到2012年，多倫多大學(xué)的 Geoff Hinton利用深度學(xué)習(xí)的新技術(shù)，帶領(lǐng)團(tuán)隊(duì)實(shí)現(xiàn)了85%的準(zhǔn)確率。2015年的ImageNet競(jìng)賽上，一個(gè)深度學(xué)習(xí)系統(tǒng)以96%的準(zhǔn)確率第一次超過了人類(人類平均有95%的準(zhǔn)確率)。
計(jì)算機(jī)認(rèn)圖的能力，已經(jīng)超過了人。尤其圖像和語音等復(fù)雜應(yīng)用，深度學(xué)習(xí)技術(shù)取得了優(yōu)越的性能。為什么呢?其實(shí)就是思路的革新。
舉幾個(gè)腦洞大開的例子。
先說計(jì)算機(jī)認(rèn)貓。我們通常能用很多屬性描述一個(gè)事物。其中有些屬性可能很關(guān)鍵，很有用，另一些屬性可能沒什么用。我們就將屬性被稱為特征。特征辨識(shí)，就是一個(gè)數(shù)據(jù)處理的過程。傳統(tǒng)算法認(rèn)貓，也是標(biāo)注各種特征去認(rèn)。就是大眼睛，有胡子，有花紋。但這種特征寫著寫著，有的貓和老虎就分不出來，狗和貓也分不出來。這種方法叫——人制定規(guī)則，機(jī)器學(xué)習(xí)這種規(guī)則。
深度學(xué)習(xí)方法怎么辦呢?直接給你百萬張圖片，說這里有貓，再給你上百萬張圖，說這里沒貓。然后再訓(xùn)練一個(gè)深度網(wǎng)絡(luò)，通過深度學(xué)習(xí)自己去學(xué)貓的特征，計(jì)算機(jī)就知道了，誰是貓。
第二個(gè)例子是谷歌訓(xùn)練機(jī)械手抓取。
傳統(tǒng)方法肯定是看到那里有個(gè)機(jī)械手，就寫好函數(shù)，move到xyz標(biāo)注的空間點(diǎn)，利用程序?qū)崿F(xiàn)一次抓取。而谷歌現(xiàn)在用機(jī)器人訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò)，幫助機(jī)器人根據(jù)攝像頭輸入和電機(jī)命令，預(yù)測(cè)抓取的結(jié)果。簡(jiǎn)單說，就是訓(xùn)練機(jī)器人的手眼協(xié)調(diào)。機(jī)器人會(huì)觀測(cè)自己的機(jī)械臂，實(shí)時(shí)糾正抓取運(yùn)動(dòng)。所有行為都從學(xué)習(xí)中自然浮現(xiàn)，而不是依靠傳統(tǒng)的系統(tǒng)程序。
為了加快學(xué)習(xí)進(jìn)程，谷歌用了14個(gè)機(jī)械手同時(shí)工作，在將近3000小時(shí)的訓(xùn)練，相當(dāng)于80萬次抓取嘗試后，開始看到智能反應(yīng)行為的出現(xiàn)。據(jù)公開資料，沒有訓(xùn)練的機(jī)械手，前30次抓取失敗率為34%，而訓(xùn)練后，失敗率降低到18%。這就是一個(gè)自我學(xué)習(xí)的過程。
有人問了，深度學(xué)習(xí)，能學(xué)習(xí)寫文章嗎?
來看這個(gè)例子。斯坦福大學(xué)的計(jì)算機(jī)博士andrej kapathy曾用托爾斯泰的小說《戰(zhàn)爭(zhēng)與和平》來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。每訓(xùn)練100個(gè)回合，就叫它寫文章。100個(gè)回合后，機(jī)器知道要空格，但仍然有亂碼。500個(gè)回合后，能正確拼寫一些短單詞。1200個(gè)回合后，有標(biāo)點(diǎn)符號(hào)和長(zhǎng)單詞。2000個(gè)回合后，已經(jīng)可以正確拼寫更復(fù)雜的語句。
整個(gè)演化過程是個(gè)什么情況呢?以前我們寫文章，只要告訴主謂賓。而以上過程，完全沒人告訴機(jī)器語法規(guī)則。甚至，連標(biāo)點(diǎn)和字母區(qū)別都不用告訴它。不告訴機(jī)器任何程序。只是不停將原始數(shù)據(jù)進(jìn)行訓(xùn)練，一層一層訓(xùn)練，最后輸出結(jié)果——就是一個(gè)個(gè)看得懂的語句。一切看起來都很有趣。人工智能與深度學(xué)習(xí)的美妙之處，也正在于此。
我還去硅谷看過一家公司——完全顛覆以往的算法，利用深度學(xué)習(xí)實(shí)現(xiàn)圖像深度信息的采集。
眾所周知，市面上已經(jīng)有無人機(jī)，可實(shí)現(xiàn)人的跟蹤。它的方法是什么呢?一個(gè)人，在圖像系統(tǒng)里，一堆色塊的組合。通過人工的方式進(jìn)行特征選擇，比如顏色特征，梯度特征。拿簡(jiǎn)單的顏色特征舉例：比如你穿著綠色衣服，突然走進(jìn)草叢，就可能跟丟?；颍摿思路?，幾個(gè)人很相近，也容易跟丟。此時(shí)，若想在這個(gè)基礎(chǔ)上繼續(xù)優(yōu)化，將顏色特征進(jìn)行某些調(diào)整，是非常困難的。而且調(diào)整后，還會(huì)存在對(duì)過去某些狀況不適用的問題。
總之，這樣的算法需要不停迭代，迭代又會(huì)影響前面的效果。而硅谷這個(gè)團(tuán)隊(duì)，利用深度學(xué)習(xí)，把所有人腦袋做出來，只區(qū)分好前景和背景。區(qū)分之后，背景全部用數(shù)學(xué)方式隨意填充，再不斷生產(chǎn)大量背景數(shù)據(jù)，進(jìn)行自學(xué)習(xí)。只要把前景學(xué)習(xí)出來就行。
據(jù)我所知，很多傳統(tǒng)方法，還在采用雙目視覺。用計(jì)算機(jī)去做局部匹配，再根據(jù)雙目測(cè)出的兩個(gè)匹配的差距，去推算空間另一個(gè)點(diǎn)和它的三角位置，從而判斷離你多遠(yuǎn)?？上攵疃葘W(xué)習(xí)的出現(xiàn)，使得很多公司辛苦積累的軟件算法直接作廢了。“算法為核心競(jìng)爭(zhēng)力”，正在轉(zhuǎn)變?yōu)椋?ldquo;數(shù)據(jù)為核心競(jìng)爭(zhēng)力”。技術(shù)人員必須進(jìn)入新的起跑線。
最后再舉個(gè)例子。
大家都做過胃鏡。尤其胃痛，很痛苦。腸胃鏡要分開做，而且小腸看不見。有一家公司出了一種膠囊攝像頭。吃進(jìn)去后，在你的消化道，每5秒拍一幅圖，連續(xù)攝像，此后再排出膠囊。所有關(guān)于腸道胃部的問題，全部完整記錄。但醫(yī)生光把那個(gè)圖看完，就需要五個(gè)小時(shí)。原本的機(jī)器主動(dòng)檢測(cè)漏檢率高，要醫(yī)生復(fù)查。后來，他們采用深度學(xué)習(xí)。采集8000多例圖片數(shù)據(jù)灌進(jìn)去，用機(jī)器不斷學(xué)，不僅提高診斷精確率，減少了醫(yī)生的漏診，以及對(duì)稀缺好醫(yī)生的經(jīng)驗(yàn)依賴。只需要靠機(jī)器自己去學(xué)習(xí)規(guī)則。
深度學(xué)習(xí)算法，可以幫助醫(yī)生作出決策。
了解完深度學(xué)習(xí)，接著思考一個(gè)問題——20世紀(jì)70年代末80年代初，個(gè)人電腦突飛猛進(jìn)時(shí)，人工智能的商業(yè)化卻步履維艱。喬布斯曾這樣定義個(gè)人計(jì)算機(jī)的價(jià)值——“它是我們思維的自行車”。那么，今天的人工智能呢?深度學(xué)習(xí)呢?它給我們真正帶來的東西是什么?未來，對(duì)行業(yè)和社會(huì)有什么影響?中國(guó)公司的機(jī)會(huì)在哪?
勤學(xué)勵(lì)志文章：學(xué)習(xí)的捷徑從模仿和重復(fù)開始
作者：劉思言
最近終于有能量去拾起以前丟下的興趣愛好。由于時(shí)間關(guān)系，只能買書自學(xué)。也有在微博上關(guān)注一些水彩大觸。仔細(xì)研究發(fā)現(xiàn)，他們開班教授的水彩課，大都一個(gè)模式。就是老師先示范一遍怎么畫，然后學(xué)生再按照老師的步驟，去把老師畫過的畫重新畫一遍。如果一遍不行，達(dá)不到預(yù)期效果，那就重復(fù)多遍。
這種學(xué)習(xí)方法，適用于很多地方。據(jù)我觀察，我們的人生經(jīng)歷中，有很多課程都是通過這種方法所習(xí)得。
最早先的時(shí)候，當(dāng)我們還是襁褓中的嬰兒，又或是牙牙學(xué)語的幼兒，我們所有的行為模式，包括脾氣性格，都是在模仿大人。我們會(huì)模仿大人說話，走路，做動(dòng)作。也會(huì)學(xué)到大人不好的行為習(xí)慣。
在動(dòng)物界，成年的動(dòng)物也會(huì)教授幼年動(dòng)物捕獵技巧，生存技能。所有的教授，都是讓幼年的動(dòng)物模仿自己。通過一遍一遍的模仿，最終變成自己所掌握的技能。
這些是因?yàn)榧∪饩哂杏洃浶?yīng)。同一種動(dòng)作重復(fù)多次以后，肌肉就會(huì)形成條件反射。所以英語學(xué)習(xí)中常說的語感，其實(shí)也是一種肌肉記憶。通過不斷練習(xí)模仿，模仿標(biāo)準(zhǔn)發(fā)音，重復(fù)閱讀，使肌肉和舌頭形成條件反射，以此來增強(qiáng)我們的語感。
所以一開始學(xué)習(xí)英語的時(shí)候，老師都會(huì)教我們?nèi)绾卫首x，也會(huì)讓我們?nèi)ヂ犛⒄Z原聲磁帶。還有一些同學(xué)是喜歡聽VOA和BBC這樣的英文廣播，或是去聽一些英語演講，比如美國(guó)總統(tǒng)就職演說一類的，還有些同學(xué)喜歡看原聲電影或電視劇。所有這些，都是一個(gè)模仿的過程。當(dāng)我們的發(fā)音還不那么標(biāo)準(zhǔn)的時(shí)候，我們就通過去模仿那些標(biāo)準(zhǔn)的發(fā)音，來糾正自己。同時(shí)也提高了我們自己的聽力水平。
同樣適用的還有畫畫和書法。我至今都清楚地記得小學(xué)三年級(jí)的時(shí)候，學(xué)校搞了個(gè)畫畫比賽。我回家對(duì)著家里的年畫年年有魚畫了一幅。是一個(gè)穿著紅肚兜的中國(guó)傳統(tǒng)娃娃騎坐在一條大紅色錦鯉身上，特別喜慶。那是我第一次認(rèn)認(rèn)真真地畫完一幅畫。我盡量模仿年畫的樣子，盡量百分百地還原那副年畫。
后來那副畫得了一等獎(jiǎng)。那是我第一次感覺，畫畫好像沒那么難。后來也斷斷續(xù)續(xù)地畫。那個(gè)時(shí)候最喜歡的就是畫花仙子。也是盡量地模仿書本上花仙子的樣子。所以臨摹一定是畫畫的第一步。當(dāng)我們還不會(huì)自己構(gòu)圖的時(shí)候，當(dāng)我們對(duì)事物還沒有那么深刻理解的時(shí)候，臨摹也許是最簡(jiǎn)單最有效也最捷徑的方法了。
而對(duì)于書法來說，臨帖更是必不可少。臨帖是書法家終生的必修課。但臨帖一定要臨那些經(jīng)典的作品。因?yàn)楹玫臅ㄗ髌?，一定能帶給你不一樣的啟發(fā)。你每次臨完之后一定會(huì)有不同的收獲?？墒遣缓玫淖髌吠瑯右矔?huì)帶給你不好的影響。重復(fù)與模仿這種方法可行，是因?yàn)槲覀兡７碌膶?duì)象是值得學(xué)習(xí)的。如果一開始你模仿的對(duì)象就是一個(gè)偽對(duì)象，你不但會(huì)失去真正模仿的意義，也會(huì)把那些壞習(xí)慣學(xué)過來。
所以為什么我們總愛說要樹立好的榜樣。因?yàn)閴陌駱右坏┯腥四７?，后果也是不堪設(shè)想。
最近看浙江衛(wèi)視有檔歌唱類節(jié)目叫我是大歌神。里面的選手就叫模唱選手。模唱選手和歌手本尊在挑戰(zhàn)間里面唱，下面有猜評(píng)團(tuán)的評(píng)委來猜哪個(gè)才是真正的歌手本尊。有那么一些模唱歌手，真的能以假亂真，讓人分不清真?zhèn)巍?/p>
所以主持人說雖然現(xiàn)在是模唱歌手，但將來也有可能找到自己的方向，成為真正的歌手。天后那英沒成名以前去參加歌唱比賽，也可以說是模唱。她當(dāng)時(shí)模仿的是蘇芮。所以，在我們還沒有足夠的力量形成自己的風(fēng)格以前，模仿也不失為一個(gè)好方法。我覺得這種方法最適合我這種音癡。
我一直唱歌都五音不全，老走調(diào)。有段時(shí)間覺得應(yīng)該要好好改變一下，最好能一雪前恥。于是對(duì)著電腦一遍一遍地練習(xí)丁當(dāng)?shù)摹段覑鬯?，后來有次去KTV，一個(gè)唱歌很好的朋友居然說這首唱得不錯(cuò)，是練過的吧?嘿嘿，我會(huì)告訴你為了唱好這首歌我練了三個(gè)月?
同樣的，我覺得重復(fù)和模仿還適用于學(xué)習(xí)舞蹈。大家想想為什么有那么多人模仿MJ呢?那些舞蹈工作室的學(xué)員們，有哪個(gè)不是一遍遍地對(duì)著碟片認(rèn)真練習(xí)那些經(jīng)典的舞蹈?當(dāng)你還沒有掌握基礎(chǔ)的舞蹈動(dòng)作，沒有能力編舞的時(shí)候，那么還是老老實(shí)實(shí)地從模仿和重復(fù)開始吧。
然后我想最適用這種方法的，應(yīng)該要算某些體育運(yùn)動(dòng)了。這大概也是因?yàn)檫\(yùn)動(dòng)靠的就是肌肉啊，當(dāng)然鍛煉的也是肌肉。學(xué)乒乓球和羽毛球的同學(xué)都知道，教練教給你手的動(dòng)作，然后就會(huì)讓你重復(fù)練習(xí)，增強(qiáng)肌肉記憶。而標(biāo)準(zhǔn)的握拍、揮拍、拉球等動(dòng)作一旦習(xí)得，就一輩子都不會(huì)忘記。諸如鮑春來，王楠這樣的羽壇乒壇大咖，即使退役多年，參加某些綜藝節(jié)目的時(shí)候，人家一上手，分分鐘就知道什么叫專業(yè)范。至于像體操跳水那些動(dòng)作，哪個(gè)不是靠上千上萬次的練習(xí)來掌握的?
所以你看，重復(fù)和模仿真的是一條捷徑，能幫助你學(xué)習(xí)基礎(chǔ)，掌握技巧，提高技藝，然后才是形成自己的風(fēng)格。也許很多時(shí)候不是我們學(xué)不會(huì)什么，而是我們?cè)覆辉敢饣c(diǎn)時(shí)間去重復(fù)與模仿。不要覺得重復(fù)與模仿可笑無聊低級(jí)。因?yàn)檫@是每一次學(xué)習(xí)的必經(jīng)之路，是所有后天學(xué)習(xí)的基石?；A(chǔ)打好了，要蓋高樓大廈那還不是遲早的事兒?jiǎn)?