深度學(xué)習(xí)的最新進(jìn)展

薦語(yǔ)文章列舉出了近年來(lái)深度學(xué)習(xí)的重要研究成果，從方法、架構(gòu)，以及正則化、優(yōu)化技術(shù)方面進(jìn)行概述。對(duì)于剛?cè)腴T(mén)的深度學(xué)習(xí)新手是一份不錯(cuò)的參考資料，在形成基本學(xué)術(shù)界圖景、指導(dǎo)文獻(xiàn)查找等方面都能提供幫助。

摘要：深度學(xué)習(xí)是機(jī)器學(xué)習(xí)和人工智能研究的最新趨勢(shì)之一。它也是當(dāng)今最流行的科學(xué)研究趨勢(shì)之一。深度學(xué)習(xí)方法為計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)帶來(lái)了革命性的進(jìn)步。新的深度學(xué)習(xí)技術(shù)正在不斷誕生，超越最先進(jìn)的機(jī)器學(xué)習(xí)甚至是現(xiàn)有的深度學(xué)習(xí)技術(shù)。近年來(lái)，全世界在這一領(lǐng)域取得了許多重大突破。由于深度學(xué)習(xí)正快度發(fā)展，導(dǎo)致了它的進(jìn)展很難被跟進(jìn)，特別是對(duì)于新的研究者。在本文中，我們將簡(jiǎn)要討論近年來(lái)關(guān)于深度學(xué)習(xí)的最新進(jìn)展。

引言

「深度學(xué)習(xí)」（DL）一詞最初在 1986 被引入機(jī)器學(xué)習(xí)（ML），后來(lái)在 2000 年時(shí)被用于人工神經(jīng)網(wǎng)絡(luò)（ANN）。深度學(xué)習(xí)方法由多個(gè)層組成，以學(xué)習(xí)具有多個(gè)抽象層次的數(shù)據(jù)特征。DL 方法允許計(jì)算機(jī)通過(guò)相對(duì)簡(jiǎn)單的概念來(lái)學(xué)習(xí)復(fù)雜的概念。對(duì)于人工神經(jīng)網(wǎng)絡(luò)（ANN），深度學(xué)習(xí)（DL）（也稱(chēng)為分層學(xué)習(xí)（Hierarchical Learning））是指在多個(gè)計(jì)算階段中精確地分配信用，以轉(zhuǎn)換網(wǎng)絡(luò)中的聚合激活。為了學(xué)習(xí)復(fù)雜的功能，深度架構(gòu)被用于多個(gè)抽象層次，即非線(xiàn)性操作；例如 ANNs，具有許多隱藏層。用準(zhǔn)確的話(huà)總結(jié)就是，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，它使用了多層次的非線(xiàn)性信息處理和抽象，用于有監(jiān)督或無(wú)監(jiān)督的特征學(xué)習(xí)、表示、分類(lèi)和模式識(shí)別。

深度學(xué)習(xí)即表征學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支或子領(lǐng)域，大多數(shù)人認(rèn)為近代深度學(xué)習(xí)方法是從 2006 開(kāi)始發(fā)展起來(lái)的。本文是關(guān)于最新的深度學(xué)習(xí)技術(shù)的綜述，主要推薦給即將涉足該領(lǐng)域的研究者。本文包括 DL 的基本思想、主要方法、最新進(jìn)展以及應(yīng)用。

綜述論文是非常有益的，特別是對(duì)某一特定領(lǐng)域的新研究人員。一個(gè)研究領(lǐng)域如果在不久的將來(lái)及相關(guān)應(yīng)用領(lǐng)域中有很大的價(jià)值，那通常很難被實(shí)時(shí)跟蹤到最新進(jìn)展。現(xiàn)在，科學(xué)研究是一個(gè)很有吸引力的職業(yè)，因?yàn)橹R(shí)和教育比以往任何時(shí)候都更容易分享和獲得。對(duì)于一種技術(shù)研究的趨勢(shì)來(lái)說(shuō)，唯一正常的假設(shè)是它會(huì)在各個(gè)方面有很多的改進(jìn)。幾年前對(duì)某個(gè)領(lǐng)域的概述，現(xiàn)在可能已經(jīng)過(guò)時(shí)了。

考慮到近年來(lái)深度學(xué)習(xí)的普及和推廣，我們簡(jiǎn)要概述了深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)（NN），以及它的主要進(jìn)展和幾年來(lái)的重大突破。我們希望這篇文章將幫助許多新手研究者在這一領(lǐng)域全面了解最近的深度學(xué)習(xí)的研究和技術(shù)，并引導(dǎo)他們以正確的方式開(kāi)始。同時(shí)，我們希望通過(guò)這項(xiàng)工作，向這個(gè)時(shí)代的頂級(jí) DL 和 ANN 研究者們致敬：Geoffrey Hinton（Hinton）、Juergen Schmidhuber（Schmidhuber）、Yann LeCun（LeCun）、Yoshua Bengio（Bengio）和許多其他研究學(xué)者，他們的研究構(gòu)建了現(xiàn)代人工智能（AI）。跟進(jìn)他們的工作，以追蹤當(dāng)前最佳的 DL 和 ML 研究進(jìn)展對(duì)我們來(lái)說(shuō)也至關(guān)重要。

在本論文中，我們首先簡(jiǎn)述過(guò)去的研究論文，對(duì)深度學(xué)習(xí)的模型和方法進(jìn)行研究。然后，我們將開(kāi)始描述這一領(lǐng)域的最新進(jìn)展。我們將討論深度學(xué)習(xí)（DL）方法、深度架構(gòu)（即深度神經(jīng)網(wǎng)絡(luò)（DNN））和深度生成模型（DGM），其次是重要的正則化和優(yōu)化方法。此外，用兩個(gè)簡(jiǎn)短的部分對(duì)于開(kāi)源的 DL 框架和重要的 DL 應(yīng)用進(jìn)行總結(jié)。我們將在最后兩個(gè)章節(jié)（即討論和結(jié)論）中討論深入學(xué)習(xí)的現(xiàn)狀和未來(lái)。

最近所有關(guān)于深度學(xué)習(xí)（DL）的論文都從多個(gè)角度討論了深度學(xué)習(xí)重點(diǎn)。這對(duì) DL 的研究人員來(lái)說(shuō)是非常有必要的。然而，DL 目前是一個(gè)蓬勃發(fā)展的領(lǐng)域。在最近的 DL 概述論文發(fā)表之后，仍有許多新的技術(shù)和架構(gòu)被提出。此外，以往的論文從不同的角度進(jìn)行研究。我們的論文主要是針對(duì)剛進(jìn)入這一領(lǐng)域的學(xué)習(xí)者和新手。為此，我們將努力為新研究人員和任何對(duì)這一領(lǐng)域感興趣的人提供一個(gè)深度學(xué)習(xí)的基礎(chǔ)和清晰的概念。

最新進(jìn)展

在本節(jié)中，我們將討論最近從機(jī)器學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò) （ANN） 的中衍生出來(lái)的主要深度學(xué)習(xí) （DL） 方法，人工神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)最常用的形式。

3.1 深度架構(gòu)的演變

人工神經(jīng)網(wǎng)絡(luò) （ANN） 已經(jīng)取得了長(zhǎng)足的進(jìn)步，同時(shí)也帶來(lái)了其他的深度模型。第一代人工神經(jīng)網(wǎng)絡(luò)由簡(jiǎn)單的感知器神經(jīng)層組成，只能進(jìn)行有限的簡(jiǎn)單計(jì)算。第二代使用反向傳播，根據(jù)錯(cuò)誤率更新神經(jīng)元的權(quán)重。然后支持向量機(jī) （SVM） 浮出水面，在一段時(shí)間內(nèi)超越 ANN。為了克服反向傳播的局限性，人們提出了受限玻爾茲曼機(jī)（RBM），使學(xué)習(xí)更容易。此時(shí)其他技術(shù)和神經(jīng)網(wǎng)絡(luò)也出現(xiàn)了，如前饋神經(jīng)網(wǎng)絡(luò) （FNN）、卷積神經(jīng)網(wǎng)絡(luò) （CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 等，以及深層信念網(wǎng)絡(luò)、自編碼器等。從那時(shí)起，為實(shí)現(xiàn)各種用途，ANN 在不同方面得到了改進(jìn)和設(shè)計(jì)。

Schmidhuber （2014）、Bengio （2009）、Deng 和 Yu （2014）、Goodfellow 等人 （2016）、Wang 等人 （2017） 對(duì)深度神經(jīng)網(wǎng)絡(luò) （DNN） 的進(jìn)化和歷史以及深度學(xué)習(xí) （DL） 進(jìn)行了詳細(xì)的概述。在大多數(shù)情況下，深層架構(gòu)是簡(jiǎn)單架構(gòu)的多層非線(xiàn)性重復(fù)，這樣可從輸入中獲得高度復(fù)雜的函數(shù)。

深度學(xué)習(xí)方法

深度神經(jīng)網(wǎng)絡(luò)在監(jiān)督學(xué)習(xí)中取得了巨大的成功。此外，深度學(xué)習(xí)模型在無(wú)監(jiān)督、混合和強(qiáng)化學(xué)習(xí)方面也非常成功。

4.1 深度監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)應(yīng)用在當(dāng)數(shù)據(jù)標(biāo)記、分類(lèi)器分類(lèi)或數(shù)值預(yù)測(cè)的情況。LeCun 等人 （2015） 對(duì)監(jiān)督學(xué)習(xí)方法以及深層結(jié)構(gòu)的形成給出了一個(gè)精簡(jiǎn)的解釋。Deng 和 Yu（2014） 提到了許多用于監(jiān)督和混合學(xué)習(xí)的深度網(wǎng)絡(luò)，并做出解釋?zhuān)缟疃榷褩＞W(wǎng)絡(luò) （DSN） 及其變體。Schmidthuber（2014） 的研究涵蓋了所有神經(jīng)網(wǎng)絡(luò)，從早期神經(jīng)網(wǎng)絡(luò)到最近成功的卷積神經(jīng)網(wǎng)絡(luò) （CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN）、長(zhǎng)短期記憶 （LSTM） 及其改進(jìn)。

4.2 深度無(wú)監(jiān)督學(xué)習(xí)

當(dāng)輸入數(shù)據(jù)沒(méi)有標(biāo)記時(shí)，可應(yīng)用無(wú)監(jiān)督學(xué)習(xí)方法從數(shù)據(jù)中提取特征并對(duì)其進(jìn)行分類(lèi)或標(biāo)記。LeCun 等人 （2015） 預(yù)測(cè)了無(wú)監(jiān)督學(xué)習(xí)在深度學(xué)習(xí)中的未來(lái)。Schmidthuber（2014） 也描述了無(wú)監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。Deng 和 Yu（2014） 簡(jiǎn)要介紹了無(wú)監(jiān)督學(xué)習(xí)的深度架構(gòu)，并詳細(xì)解釋了深度自編碼器。

4.3 深度強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)使用獎(jiǎng)懲系統(tǒng)預(yù)測(cè)學(xué)習(xí)模型的下一步。這主要用于游戲和機(jī)器人，解決平常的決策問(wèn)題。Schmidthuber（2014） 描述了強(qiáng)化學(xué)習(xí) （RL） 中深度學(xué)習(xí)的進(jìn)展，以及深度前饋神經(jīng)網(wǎng)絡(luò) （FNN） 和循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 在 RL 中的應(yīng)用。Li（2017） 討論了深度強(qiáng)化學(xué)習(xí) （Deep Reinforcement Learning， DRL）、它的架構(gòu) （例如 Deep Q-Network， DQN） 以及在各個(gè)領(lǐng)域的應(yīng)用。

Mnih 等人 （2016） 提出了一種利用異步梯度下降進(jìn)行 DNN 優(yōu)化的 DRL 框架。

van Hasselt 等人 （2015） 提出了一種使用深度神經(jīng)網(wǎng)絡(luò) （deep neural network， DNN） 的 DRL 架構(gòu)。

深度神經(jīng)網(wǎng)絡(luò)

在本節(jié)中，我們將簡(jiǎn)要地討論深度神經(jīng)網(wǎng)絡(luò) （DNN），以及它們最近的改進(jìn)和突破。神經(jīng)網(wǎng)絡(luò)的功能與人腦相似。它們主要由神經(jīng)元和連接組成。當(dāng)我們說(shuō)深度神經(jīng)網(wǎng)絡(luò)時(shí)，我們可以假設(shè)有相當(dāng)多的隱藏層，可以用來(lái)從輸入中提取特征和計(jì)算復(fù)雜的函數(shù)。Bengio（2009） 解釋了深度結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò) （CNN）、自編碼器 （AE） 等及其變體。Deng 和 Yu（2014） 詳細(xì)介紹了一些神經(jīng)網(wǎng)絡(luò)架構(gòu)，如 AE 及其變體。Goodfellow 等 （2016） 對(duì)深度前饋網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)及其改進(jìn)進(jìn)行了介紹和技巧性講解。Schmidhuber（2014） 提到了神經(jīng)網(wǎng)絡(luò)從早期神經(jīng)網(wǎng)絡(luò)到最近成功技術(shù)的完整歷史。

5.1 深度自編碼器

自編碼器 （AE） 是神經(jīng)網(wǎng)絡(luò) （NN），其中輸出即輸入。AE 采用原始輸入，編碼為壓縮表示，然后解碼以重建輸入。在深度 AE 中，低隱藏層用于編碼，高隱藏層用于解碼，誤差反向傳播用于訓(xùn)練。。

5.1.1 變分自編碼器

變分自動(dòng)編碼器 （VAE） 可以算作解碼器。VAE 建立在標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)上，可以通過(guò)隨機(jī)梯度下降訓(xùn)練 （Doersch，2016）。

5.1.2 多層降噪自編碼器

在早期的自編碼器 （AE） 中，編碼層的維度比輸入層?。ㄕＴ诙鄬咏翟胱跃幋a器 （SDAE） 中，編碼層比輸入層寬 （Deng and Yu， 2014）。

5.1.3 變換自編碼器

深度自動(dòng)編碼器 （DAE） 可以是轉(zhuǎn)換可變的，也就是從多層非線(xiàn)性處理中提取的特征可以根據(jù)學(xué)習(xí)者的需要而改變。變換自編碼器 （TAE） 既可以使用輸入向量，也可以使用目標(biāo)輸出向量來(lái)應(yīng)用轉(zhuǎn)換不變性屬性，將代碼引導(dǎo)到期望的方向 （Deng and Yu，2014）。

5.2 深度卷積神經(jīng)網(wǎng)絡(luò)

四種基本思想構(gòu)成了卷積神經(jīng)網(wǎng)絡(luò) （CNN），即：局部連接、共享權(quán)重、池化和多層使用。CNN 的第一部分由卷積層和池化層組成，后一部分主要是全連接層。卷積層檢測(cè)特征的局部連接，池層將相似的特征合并為一個(gè)。CNN 在卷積層中使用卷積而不是矩陣乘法。

Krizhevsky 等人 （2012） 提出了一種深度卷積神經(jīng)網(wǎng)絡(luò) （CNN） 架構(gòu)，也稱(chēng)為 AlexNet，這是深度學(xué)習(xí) （Deep Learning， DL） 的一個(gè)重大突破。網(wǎng)絡(luò)由 5 個(gè)卷積層和 3 個(gè)全連接層組成。該架構(gòu)采用圖形處理單元 （GPU） 進(jìn)行卷積運(yùn)算，采用線(xiàn)性整流函數(shù) （ReLU） 作為激活函數(shù)，用 Dropout 來(lái)減少過(guò)擬合。

Iandola 等人 （2016） 提出了一個(gè)小型的 CNN 架構(gòu)，叫做「SqueezeNet」。

Szegedy 等人 （2014） 提出了一種深度 CNN 架構(gòu)，名為 Inception。Dai 等人 （2017） 提出了對(duì) Inception-ResNet 的改進(jìn)。

Redmon 等人 （2015） 提出了一個(gè)名為 YOLO （You Only Look Once） 的 CNN 架構(gòu)，用于均勻和實(shí)時(shí)的目標(biāo)檢測(cè)。

Zeiler 和 Fergus （2013） 提出了一種將 CNN 內(nèi)部激活可視化的方法。

Gehring 等人 （2017） 提出了一種用于序列到序列學(xué)習(xí)的 CNN 架構(gòu)。

Bansal 等人 （2017） 提出了 PixelNet，使用像素來(lái)表示。

Goodfellow 等人 （2016） 解釋了 CNN 的基本架構(gòu)和思想。Gu 等人 （2015） 對(duì) CNN 的最新進(jìn)展、CNN 的多種變體、CNN 的架構(gòu)、正則化方法和功能以及在各個(gè)領(lǐng)域的應(yīng)用進(jìn)行了很好的概述。

5.2.1 深度最大池化卷積神經(jīng)網(wǎng)絡(luò)

最大池化卷積神經(jīng)網(wǎng)絡(luò) （MPCNN） 主要對(duì)卷積和最大池化進(jìn)行操作，特別是在數(shù)字圖像處理中。MPCNN 通常由輸入層以外的三種層組成。卷積層獲取輸入圖像并生成特征圖，然后應(yīng)用非線(xiàn)性激活函數(shù)。最大池層向下采樣圖像，并保持子區(qū)域的最大值。全連接層進(jìn)行線(xiàn)性乘法。在深度 MPCNN 中，在輸入層之后周期性地使用卷積和混合池化，然后是全連接層。

5.2.2 極深的卷積神經(jīng)網(wǎng)絡(luò)

Simonyan 和 Zisserman（2014） 提出了非常深層的卷積神經(jīng)網(wǎng)絡(luò) （VDCNN） 架構(gòu)，也稱(chēng)為 VGG Net。VGG Net 使用非常小的卷積濾波器，深度達(dá)到 16-19 層。Conneau 等人 （2016） 提出了另一種文本分類(lèi)的 VDCNN 架構(gòu)，使用小卷積和池化。他們聲稱(chēng)這個(gè) VDCNN 架構(gòu)是第一個(gè)在文本處理中使用的，它在字符級(jí)別上起作用。該架構(gòu)由 29 個(gè)卷積層組成。

5.3 網(wǎng)絡(luò)中的網(wǎng)絡(luò)

Lin 等人 （2013） 提出了網(wǎng)絡(luò)中的網(wǎng)絡(luò) （Network In Network，NIN）。NIN 以具有復(fù)雜結(jié)構(gòu)的微神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)卷積神經(jīng)網(wǎng)絡(luò) （CNN） 的卷積層。它使用多層感知器 （MLPConv） 處理微神經(jīng)網(wǎng)絡(luò)和全局平均池化層，而不是全連接層。深度 NIN 架構(gòu)可以由 NIN 結(jié)構(gòu)的多重疊加組成。

5.4 基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)

Girshick 等人 （2014） 提出了基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò) （R-CNN），使用區(qū)域進(jìn)行識(shí)別。R-CNN 使用區(qū)域來(lái)定位和分割目標(biāo)。該架構(gòu)由三個(gè)模塊組成：定義了候選區(qū)域的集合的類(lèi)別獨(dú)立區(qū)域建議，從區(qū)域中提取特征的大型卷積神經(jīng)網(wǎng)絡(luò) （CNN），以及一組類(lèi)特定的線(xiàn)性支持向量機(jī) （SVM）。

5.4.1 Fast R-CNN

Girshick（2015） 提出了快速的基于區(qū)域的卷積網(wǎng)絡(luò) （Fast R-CNN）。這種方法利用 R-CNN 架構(gòu)能快速地生成結(jié)果。Fast R-CNN 由卷積層和池化層、區(qū)域建議層和一系列全連接層組成。

5.4.2 Faster R-CNN

Ren 等人 （2015） 提出了更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò) （Faster R-CNN），它使用區(qū)域建議網(wǎng)絡(luò) （Region Proposal Network， RPN） 進(jìn)行實(shí)時(shí)目標(biāo)檢測(cè)。RPN 是一個(gè)全卷積網(wǎng)絡(luò)，能夠準(zhǔn)確、高效地生成區(qū)域建議 （Ren et al.，2015）。

5.4.3 Mask R-CNN

何愷明等人 （2017） 提出了基于區(qū)域的掩模卷積網(wǎng)絡(luò) （Mask R-CNN） 實(shí)例目標(biāo)分割。Mask R-CNN 擴(kuò)展了 R-CNN 的架構(gòu)，并使用一個(gè)額外的分支用于預(yù)測(cè)目標(biāo)掩模。

5.4.4 Multi-Expert R-CNN

Lee 等人 （2017） 提出了基于區(qū)域的多專(zhuān)家卷積神經(jīng)網(wǎng)絡(luò) （ME R-CNN），利用了 Fast R-CNN 架構(gòu)。ME R-CNN 從選擇性和詳盡的搜索中生成興趣區(qū)域 （RoI）。它也使用 per-RoI 多專(zhuān)家網(wǎng)絡(luò)而不是單一的 per-RoI 網(wǎng)絡(luò)。每個(gè)專(zhuān)家都是來(lái)自 Fast R-CNN 的全連接層的相同架構(gòu)。

5.5 深度殘差網(wǎng)絡(luò)

He 等人 （2015） 提出的殘差網(wǎng)絡(luò) （ResNet） 由 152 層組成。ResNet 具有較低的誤差，并且容易通過(guò)殘差學(xué)習(xí)進(jìn)行訓(xùn)練。更深層次的 ResNet 可以獲得更好的性能。在深度學(xué)習(xí)領(lǐng)域，人們認(rèn)為 ResNet 是一個(gè)重要的進(jìn)步。

5.5.1 Resnet in Resnet

Targ 等人 （2016） 在 Resnet in Resnet （RiR） 中提出將 ResNets 和標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò) （CNN） 結(jié)合到深層雙流架構(gòu)中。

5.5.2 ResNeXt

Xie 等人 （2016） 提出了 ResNeXt 架構(gòu)。ResNext 利用 ResNets 來(lái)重復(fù)使用分割-轉(zhuǎn)換-合并策略。

5.6 膠囊網(wǎng)絡(luò)

Sabour 等人 （2017） 提出了膠囊網(wǎng)絡(luò) （CapsNet），即一個(gè)包含兩個(gè)卷積層和一個(gè)全連接層的架構(gòu)。CapsNet 通常包含多個(gè)卷積層，膠囊層位于末端。CapsNet 被認(rèn)為是深度學(xué)習(xí)的最新突破之一，因?yàn)閾?jù)說(shuō)這是基于卷積神經(jīng)網(wǎng)絡(luò)的局限性而提出的。它使用的是一層又一層的膠囊，而不是神經(jīng)元。激活的較低級(jí)膠囊做出預(yù)測(cè)，在同意多個(gè)預(yù)測(cè)后，更高級(jí)的膠囊變得活躍。在這些膠囊層中使用了一種協(xié)議路由機(jī)制。Hinton 之后提出 EM 路由，利用期望最大化 （EM） 算法對(duì) CapsNet 進(jìn)行了改進(jìn)。

5.7 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 更適合于序列輸入，如語(yǔ)音、文本和生成序列。一個(gè)重復(fù)的隱藏單元在時(shí)間展開(kāi)時(shí)可以被認(rèn)為是具有相同權(quán)重的非常深的前饋網(wǎng)絡(luò)。由于梯度消失和維度爆炸問(wèn)題，RNN 曾經(jīng)很難訓(xùn)練。為了解決這個(gè)問(wèn)題，后來(lái)許多人提出了改進(jìn)意見(jiàn)。

Goodfellow 等人 （2016） 詳細(xì)分析了循環(huán)和遞歸神經(jīng)網(wǎng)絡(luò)和架構(gòu)的細(xì)節(jié)，以及相關(guān)的門(mén)控和記憶網(wǎng)絡(luò)。

Karpathy 等人 （2015） 使用字符級(jí)語(yǔ)言模型來(lái)分析和可視化預(yù)測(cè)、表征訓(xùn)練動(dòng)態(tài)、RNN 及其變體 （如 LSTM） 的錯(cuò)誤類(lèi)型等。

J′ozefowicz 等人 （2016） 探討了 RNN 模型和語(yǔ)言模型的局限性。

5.7.1 RNN-EM

Peng 和 Yao（2015） 提出了利用外部記憶 （RNN-EM） 來(lái)改善 RNN 的記憶能力。他們聲稱(chēng)在語(yǔ)言理解方面達(dá)到了最先進(jìn)的水平，比其他 RNN 更好。

5.7.2 GF-RNN

Chung 等 （2015） 提出了門(mén)控反饋遞歸神經(jīng)網(wǎng)絡(luò) （GF-RNN），它通過(guò)將多個(gè)遞歸層與全局門(mén)控單元疊加來(lái)擴(kuò)展標(biāo)準(zhǔn)的 RNN。

5.7.3 CRF-RNN

Zheng 等人 （2015） 提出條件隨機(jī)場(chǎng)作為循環(huán)神經(jīng)網(wǎng)絡(luò) （CRF-RNN），其將卷積神經(jīng)網(wǎng)絡(luò) （CNN） 和條件隨機(jī)場(chǎng) （CRF） 結(jié)合起來(lái)進(jìn)行概率圖形建模。

5.7.4 Quasi-RNN

Bradbury 等人 （2016） 提出了用于神經(jīng)序列建模和沿時(shí)間步的并行應(yīng)用的準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò) （QRNN）。

5.8 記憶網(wǎng)絡(luò)

Weston 等人 （2014） 提出了問(wèn)答記憶網(wǎng)絡(luò) （QA）。記憶網(wǎng)絡(luò)由記憶、輸入特征映射、泛化、輸出特征映射和響應(yīng)組成。

5.8.1 動(dòng)態(tài)記憶網(wǎng)絡(luò)

Kumar 等人 （2015） 提出了用于 QA 任務(wù)的動(dòng)態(tài)記憶網(wǎng)絡(luò) （DMN）。DMN 有四個(gè)模塊：輸入、問(wèn)題、情景記憶、輸出。

5.9 增強(qiáng)神經(jīng)網(wǎng)絡(luò)

Olah 和 Carter（2016） 很好地展示了注意力和增強(qiáng)循環(huán)神經(jīng)網(wǎng)絡(luò)，即神經(jīng)圖靈機(jī) （NTM）、注意力接口、神經(jīng)編碼器和自適應(yīng)計(jì)算時(shí)間。增強(qiáng)神經(jīng)網(wǎng)絡(luò)通常是使用額外的屬性，如邏輯函數(shù)以及標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)架構(gòu)。

5.9.1 神經(jīng)圖靈機(jī)

Graves 等人 （2014） 提出了神經(jīng)圖靈機(jī) （NTM） 架構(gòu)，由神經(jīng)網(wǎng)絡(luò)控制器和記憶庫(kù)組成。NTM 通常將 RNN 與外部記憶庫(kù)結(jié)合。

5.9.2 神經(jīng) GPU

Kaiser 和 Sutskever（2015） 提出了神經(jīng) GPU，解決了 NTM 的并行問(wèn)題。

5.9.3 神經(jīng)隨機(jī)存取機(jī)

Kurach 等人 （2015） 提出了神經(jīng)隨機(jī)存取機(jī)，它使用外部的可變大小的隨機(jī)存取存儲(chǔ)器。

5.9.4 神經(jīng)編程器

Neelakantan 等人 （2015） 提出了神經(jīng)編程器，一種具有算術(shù)和邏輯功能的增強(qiáng)神經(jīng)網(wǎng)絡(luò)。

5.9.5 神經(jīng)編程器-解釋器

Reed 和 de Freitas（2015） 提出了可以學(xué)習(xí)的神經(jīng)編程器-解釋器 （NPI）。NPI 包括周期性?xún)?nèi)核、程序內(nèi)存和特定于領(lǐng)域的編碼器。

5.10 長(zhǎng)短期記憶網(wǎng)絡(luò)

Hochreiter 和 Schmidhuber（1997） 提出了長(zhǎng)短期記憶 （Long short - Short-Term Memory， LSTM），克服了循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 的誤差回流問(wèn)題。LSTM 是基于循環(huán)網(wǎng)絡(luò)和基于梯度的學(xué)習(xí)算法，LSTM 引入自循環(huán)產(chǎn)生路徑，使得梯度能夠流動(dòng)。

Greff 等人 （2017） 對(duì)標(biāo)準(zhǔn) LSTM 和 8 個(gè) LSTM 變體進(jìn)行了大規(guī)模分析，分別用于語(yǔ)音識(shí)別、手寫(xiě)識(shí)別和復(fù)調(diào)音樂(lè)建模。他們聲稱(chēng) LSTM 的 8 個(gè)變種沒(méi)有顯著改善，而只有標(biāo)準(zhǔn) LSTM 表現(xiàn)良好。

Shi 等人 （2016b） 提出了深度長(zhǎng)短期記憶網(wǎng)絡(luò) （DLSTM），它是一個(gè) LSTM 單元的堆棧，用于特征映射學(xué)習(xí)表示。

5.10.1 批-歸一化 LSTM

Cooijmans 等人 （2016） 提出了批-歸一化 LSTM （BN-LSTM），它對(duì)遞歸神經(jīng)網(wǎng)絡(luò)的隱藏狀態(tài)使用批-歸一化。

5.10.2 Pixel RNN

van den Oord 等人 （2016b） 提出像素遞歸神經(jīng)網(wǎng)絡(luò) （Pixel-RNN），由 12 個(gè)二維 LSTM 層組成。

5.10.3 雙向 LSTM

W¨ollmer 等人 （2010） 提出了雙向 LSTM（BLSTM） 的循環(huán)網(wǎng)絡(luò)與動(dòng)態(tài)貝葉斯網(wǎng)絡(luò) （DBN） 一起用于上下文敏感關(guān)鍵字檢測(cè)。

5.10.4 Variational Bi-LSTM

Shabanian 等人 （2017） 提出了變分雙向 LSTM（Variational Bi-LSTM），它是雙向 LSTM 體系結(jié)構(gòu)的變體。Variational Bi-LSTM 使用變分自編碼器 （VAE） 在 LSTM 之間創(chuàng)建一個(gè)信息交換通道，以學(xué)習(xí)更好的表征。

5.11 谷歌神經(jīng)機(jī)器翻譯

Wu 等人 （2016） 提出了名為谷歌神經(jīng)機(jī)器翻譯 （GNMT） 的自動(dòng)翻譯系統(tǒng)，該系統(tǒng)結(jié)合了編碼器網(wǎng)絡(luò)、解碼器網(wǎng)絡(luò)和注意力網(wǎng)絡(luò)，遵循共同的序列對(duì)序列 （sequence-to-sequence） 的學(xué)習(xí)框架。

5.12 Fader Network

Lample 等人 （2017） 提出了 Fader 網(wǎng)絡(luò)，這是一種新型的編碼器-解碼器架構(gòu)，通過(guò)改變屬性值來(lái)生成真實(shí)的輸入圖像變化。

5.13 超網(wǎng)絡(luò)

Ha 等人 （2016） 提出的超網(wǎng)絡(luò)（Hyper Networks）為其他神經(jīng)網(wǎng)絡(luò)生成權(quán)值，如靜態(tài)超網(wǎng)絡(luò)卷積網(wǎng)絡(luò)、用于循環(huán)網(wǎng)絡(luò)的動(dòng)態(tài)超網(wǎng)絡(luò)。

Deutsch（2018） 使用超網(wǎng)絡(luò)生成神經(jīng)網(wǎng)絡(luò)。

5.14 Highway Networks

Srivastava 等人 （2015） 提出了高速路網(wǎng)絡(luò)（Highway Networks），通過(guò)使用門(mén)控單元來(lái)學(xué)習(xí)管理信息?？缍鄠€(gè)層次的信息流稱(chēng)為信息高速路。

5.14.1 Recurrent Highway Networks

Zilly 等人 （2017） 提出了循環(huán)高速路網(wǎng)絡(luò) （Recurrent Highway Networks，RHN），它擴(kuò)展了長(zhǎng)短期記憶 （LSTM） 架構(gòu)。RHN 在周期性過(guò)渡中使用了 Highway 層。

5.15 Highway LSTM RNN

Zhang 等人 （2016） 提出了高速路長(zhǎng)短期記憶 （high - Long short Memory， HLSTM） RNN，它在相鄰層的內(nèi)存單元之間擴(kuò)展了具有封閉方向連接 （即 Highway） 的深度 LSTM 網(wǎng)絡(luò)。

5.16 長(zhǎng)期循環(huán) CNN

Donahue 等人 （2014） 提出了長(zhǎng)期循環(huán)卷積網(wǎng)絡(luò) （LRCN），它使用 CNN 進(jìn)行輸入，然后使用 LSTM 進(jìn)行遞歸序列建模并生成預(yù)測(cè)。

5.17 深度神經(jīng) SVM

Zhang 等人 （2015） 提出了深度神經(jīng) SVM（DNSVM），它以支持向量機(jī) （Support Vector Machine， SVM） 作為深度神經(jīng)網(wǎng)絡(luò) （Deep Neural Network， DNN） 分類(lèi)的頂層。

5.18 卷積殘差記憶網(wǎng)絡(luò)

Moniz 和 Pal（2016） 提出了卷積殘差記憶網(wǎng)絡(luò)，將記憶機(jī)制并入卷積神經(jīng)網(wǎng)絡(luò) （CNN）。它用一個(gè)長(zhǎng)短期記憶機(jī)制來(lái)增強(qiáng)卷積殘差網(wǎng)絡(luò)。

5.19 分形網(wǎng)絡(luò)

Larsson 等人 （2016） 提出分形網(wǎng)絡(luò)即 FractalNet 作為殘差網(wǎng)絡(luò)的替代方案。他們聲稱(chēng)可以訓(xùn)練超深度的神經(jīng)網(wǎng)絡(luò)而不需要?dú)埐顚W(xué)習(xí)。分形是簡(jiǎn)單擴(kuò)展規(guī)則生成的重復(fù)架構(gòu)。

5.20 WaveNet

van den Oord 等人 （2016） 提出了用于產(chǎn)生原始音頻的深度神經(jīng)網(wǎng)絡(luò) WaveNet。WaveNet 由一堆卷積層和 softmax 分布層組成，用于輸出。

Rethage 等人 （2017） 提出了一個(gè) WaveNet 模型用于語(yǔ)音去噪。

5.21 指針網(wǎng)絡(luò)

Vinyals 等人 （2017） 提出了指針網(wǎng)絡(luò) （Ptr-Nets），通過(guò)使用一種稱(chēng)為「指針」的 softmax 概率分布來(lái)解決表征變量字典的問(wèn)題。

深度生成模型

在本節(jié)中，我們將簡(jiǎn)要討論其他深度架構(gòu)，它們使用與深度神經(jīng)網(wǎng)絡(luò)類(lèi)似的多個(gè)抽象層和表示層，也稱(chēng)為深度生成模型 （deep generate Models， DGM）。Bengio（2009） 解釋了深層架構(gòu)，例如 Boltzmann machine （BM） 和 Restricted Boltzmann Machines （RBM） 等及其變體。

Goodfellow 等人 （2016） 詳細(xì)解釋了深度生成模型，如受限和非受限的玻爾茲曼機(jī)及其變種、深度玻爾茲曼機(jī)、深度信念網(wǎng)絡(luò) （DBN）、定向生成網(wǎng)絡(luò)和生成隨機(jī)網(wǎng)絡(luò)等。

Maal?e 等人（2016）提出了輔助的深層生成模型（Auxiliary Deep Generative Models），在這些模型中，他們擴(kuò)展了具有輔助變量的深層生成模型。輔助變量利用隨機(jī)層和跳過(guò)連接生成變分分布。

Rezende 等人 （2016） 開(kāi)發(fā)了一種深度生成模型的單次泛化。

6.1 玻爾茲曼機(jī)

玻爾茲曼機(jī)是學(xué)習(xí)任意概率分布的連接主義方法，使用最大似然原則進(jìn)行學(xué)習(xí)。

6.2 受限玻爾茲曼機(jī)

受限玻爾茲曼機(jī) （Restricted Boltzmann Machines， RBM） 是馬爾可夫隨機(jī)場(chǎng)的一種特殊類(lèi)型，包含一層隨機(jī)隱藏單元，即潛變量和一層可觀(guān)測(cè)變量。

Hinton 和 Salakhutdinov（2011） 提出了一種利用受限玻爾茲曼機(jī) （RBM） 進(jìn)行文檔處理的深度生成模型。

6.3 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò) （Deep Belief Networks， DBN） 是具有多個(gè)潛在二元或真實(shí)變量層的生成模型。

Ranzato 等人 （2011） 利用深度信念網(wǎng)絡(luò) （deep Belief Network， DBN） 建立了深度生成模型進(jìn)行圖像識(shí)別。

6.4 深度朗伯網(wǎng)絡(luò)

Tang 等人 （2012） 提出了深度朗伯網(wǎng)絡(luò) （Deep Lambertian Networks，DLN），它是一個(gè)多層次的生成模型，其中潛在的變量是反照率、表面法線(xiàn)和光源。DLNis 是朗伯反射率與高斯受限玻爾茲曼機(jī)和深度信念網(wǎng)絡(luò)的結(jié)合。

6.5 生成對(duì)抗網(wǎng)絡(luò)

Goodfellow 等人 （2014） 提出了生成對(duì)抗網(wǎng)絡(luò) （generate Adversarial Nets， GAN），用于通過(guò)對(duì)抗過(guò)程來(lái)評(píng)估生成模型。GAN 架構(gòu)是由一個(gè)針對(duì)對(duì)手（即一個(gè)學(xué)習(xí)模型或數(shù)據(jù)分布的判別模型）的生成模型組成。Mao 等人 （2016）、Kim 等人 （2017） 對(duì) GAN 提出了更多的改進(jìn)。

Salimans 等人 （2016） 提出了幾種訓(xùn)練 GANs 的方法。

6.5.1 拉普拉斯生成對(duì)抗網(wǎng)絡(luò)

Denton 等人 （2015） 提出了一種深度生成模型 （DGM），叫做拉普拉斯生成對(duì)抗網(wǎng)絡(luò) （LAPGAN），使用生成對(duì)抗網(wǎng)絡(luò) （GAN） 方法。該模型還在拉普拉斯金字塔框架中使用卷積網(wǎng)絡(luò)。

6.6 循環(huán)支持向量機(jī)

Shi 等人 （2016a） 提出了循環(huán)支持向量機(jī) （RSVM），利用循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 從輸入序列中提取特征，用標(biāo)準(zhǔn)支持向量機(jī) （SVM） 進(jìn)行序列級(jí)目標(biāo)識(shí)別。

訓(xùn)練和優(yōu)化技術(shù)

在本節(jié)中，我們將簡(jiǎn)要概述一些主要的技術(shù)，用于正則化和優(yōu)化深度神經(jīng)網(wǎng)絡(luò) （DNN）。

7.1 Dropout

Srivastava 等人 （2014） 提出 Dropout，以防止神經(jīng)網(wǎng)絡(luò)過(guò)擬合。Dropout 是一種神經(jīng)網(wǎng)絡(luò)模型平均正則化方法，通過(guò)增加噪聲到其隱藏單元。在訓(xùn)練過(guò)程中，它會(huì)從神經(jīng)網(wǎng)絡(luò)中隨機(jī)抽取出單元和連接。Dropout 可以用于像 RBM （Srivastava et al.，2014） 這樣的圖形模型中，也可以用于任何類(lèi)型的神經(jīng)網(wǎng)絡(luò)。最近提出的一個(gè)關(guān)于 Dropout 的改進(jìn)是 Fraternal Dropout，用于循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN）。

7.2 Maxout

Goodfellow 等人 （2013） 提出 Maxout，一種新的激活函數(shù)，用于 Dropout。Maxout 的輸出是一組輸入的最大值，有利于 Dropout 的模型平均。

7.3 Zoneout

Krueger 等人 （2016） 提出了循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 的正則化方法 Zoneout。Zoneout 在訓(xùn)練中隨機(jī)使用噪音，類(lèi)似于 Dropout，但保留了隱藏的單元而不是丟棄。

7.4 深度殘差學(xué)習(xí)

He 等人 （2015） 提出了深度殘差學(xué)習(xí)框架，該框架被稱(chēng)為低訓(xùn)練誤差的 ResNet。

7.5 批歸一化

Ioffe 和 Szegedy（2015） 提出了批歸一化，通過(guò)減少內(nèi)部協(xié)變量移位來(lái)加速深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法。Ioffe（2017） 提出批重歸一化，擴(kuò)展了以前的方法。

7.6 Distillation

Hinton 等人 （2015） 提出了將知識(shí)從高度正則化模型的集合 （即神經(jīng)網(wǎng)絡(luò)） 轉(zhuǎn)化為壓縮小模型的方法。

7.7 層歸一化

Ba 等人 （2016） 提出了層歸一化，特別是針對(duì) RNN 的深度神經(jīng)網(wǎng)絡(luò)加速訓(xùn)練，解決了批歸一化的局限性。

深度學(xué)習(xí)框架

有大量的開(kāi)源庫(kù)和框架可供深度學(xué)習(xí)使用。它們大多數(shù)是為 Python 編程語(yǔ)言構(gòu)建的。如 Theano、Tensorflow、PyTorch、PyBrain、Caffe、Blocks and Fuel 、CuDNN、Honk、ChainerCV、PyLearn2、Chainer，、torch 等。

深度學(xué)習(xí)應(yīng)用

在本節(jié)中，我們將簡(jiǎn)要地討論一些最近在深度學(xué)習(xí)方面的杰出應(yīng)用。自深度學(xué)習(xí) （DL） 開(kāi)始以來(lái)，DL 方法以監(jiān)督、非監(jiān)督、半監(jiān)督或強(qiáng)化學(xué)習(xí)的形式被廣泛應(yīng)用于各個(gè)領(lǐng)域。從分類(lèi)和檢測(cè)任務(wù)開(kāi)始，DL 應(yīng)用正在迅速擴(kuò)展到每一個(gè)領(lǐng)域。

例如：

圖像分類(lèi)與識(shí)別

視頻分類(lèi)

序列生成

缺陷分類(lèi)

文本、語(yǔ)音、圖像和視頻處理

文本分類(lèi)

語(yǔ)音處理

語(yǔ)音識(shí)別和口語(yǔ)理解

文本到語(yǔ)音生成

查詢(xún)分類(lèi)

句子分類(lèi)

句子建模

詞匯處理

預(yù)選擇

文檔和句子處理

生成圖像文字說(shuō)明

照片風(fēng)格遷移

自然圖像流形

圖像著色

圖像問(wèn)答

生成紋理和風(fēng)格化圖像

視覺(jué)和文本問(wèn)答

視覺(jué)識(shí)別和描述

目標(biāo)識(shí)別

文檔處理

人物動(dòng)作合成和編輯

歌曲合成

身份識(shí)別

人臉識(shí)別和驗(yàn)證

視頻動(dòng)作識(shí)別

人類(lèi)動(dòng)作識(shí)別

動(dòng)作識(shí)別

分類(lèi)和可視化動(dòng)作捕捉序列

手寫(xiě)生成和預(yù)測(cè)

自動(dòng)化和機(jī)器翻譯

命名實(shí)體識(shí)別

移動(dòng)視覺(jué)

對(duì)話(huà)智能體

調(diào)用遺傳變異

癌癥檢測(cè)

X 射線(xiàn) CT 重建

癲癇發(fā)作預(yù)測(cè)

硬件加速

機(jī)器人

Deng 和 Yu（2014） 提供了 DL 在語(yǔ)音處理、信息檢索、目標(biāo)識(shí)別、計(jì)算機(jī)視覺(jué)、多模態(tài)、多任務(wù)學(xué)習(xí)等領(lǐng)域應(yīng)用的詳細(xì)列表。

使用深度強(qiáng)化學(xué)習(xí) （Deep Reinforcement Learning， DRL） 來(lái)掌握游戲已經(jīng)成為當(dāng)今的一個(gè)熱門(mén)話(huà)題。每到現(xiàn)在，人工智能機(jī)器人都是用 DNN 和 DRL 創(chuàng)建的，它們?cè)趹?zhàn)略和其他游戲中擊敗了人類(lèi)世界冠軍和象棋大師，從幾個(gè)小時(shí)的訓(xùn)練開(kāi)始。例如圍棋的 AlphaGo 和 AlphaGo Zero。

討論

盡管深度學(xué)習(xí)在許多領(lǐng)域取得了巨大的成功，但它還有很長(zhǎng)的路要走。還有很多地方有待改進(jìn)。至于局限性，例子也是相當(dāng)多的。例如：Nguyen 等人表明深度神經(jīng)網(wǎng)絡(luò)（DNN）在識(shí)別圖像時(shí)容易被欺騙。還有其他問(wèn)題，如 Yosinski 等人提出的學(xué)習(xí)的特征可遷移性。Huang 等人提出了一種神經(jīng)網(wǎng)絡(luò)攻擊防御的體系結(jié)構(gòu)，認(rèn)為未來(lái)的工作需要防御這些攻擊。Zhang 等人則提出了一個(gè)理解深度學(xué)習(xí)模型的實(shí)驗(yàn)框架，他們認(rèn)為理解深度學(xué)習(xí)需要重新思考和概括。

Marcus 在 2018 年對(duì)深度學(xué)習(xí) （Deep Learning， DL） 的作用、局限性和本質(zhì)進(jìn)行了重要的回顧。他強(qiáng)烈指出了 DL 方法的局限性，即需要更多的數(shù)據(jù)，容量有限，不能處理層次結(jié)構(gòu)，無(wú)法進(jìn)行開(kāi)放式推理，不能充分透明，不能與先驗(yàn)知識(shí)集成，不能區(qū)分因果關(guān)系。他還提到，DL 假設(shè)了一個(gè)穩(wěn)定的世界，以近似方法實(shí)現(xiàn)，工程化很困難，并且存在著過(guò)度炒作的潛在風(fēng)險(xiǎn)。Marcus 認(rèn)為 DL 需要重新概念化，并在非監(jiān)督學(xué)習(xí)、符號(hào)操作和混合模型中尋找可能性，從認(rèn)知科學(xué)和心理學(xué)中獲得見(jiàn)解，并迎接更大膽的挑戰(zhàn)。

結(jié)論

盡管深度學(xué)習(xí)（DL）比以往任何時(shí)候都更快地推進(jìn)了世界的發(fā)展，但仍有許多方面值得我們?nèi)パ芯?。我們?nèi)匀粺o(wú)法完全地理解深度學(xué)習(xí)，我們?nèi)绾巫寵C(jī)器變得更聰明，更接近或比人類(lèi)更聰明，或者像人類(lèi)一樣學(xué)習(xí)。DL 一直在解決許多問(wèn)題，同時(shí)將技術(shù)應(yīng)用到方方面面。但是人類(lèi)仍然面臨著許多難題，例如仍有人死于饑餓和糧食危機(jī)， 癌癥和其他致命的疾病等。我們希望深度學(xué)習(xí)和人工智能將更加致力于改善人類(lèi)的生活質(zhì)量，通過(guò)開(kāi)展最困難的科學(xué)研究。最后但也是最重要的，愿我們的世界變得更加美好?！　?/p>