徐躍勇

人工智能是當(dāng)今的一個(gè)熱點(diǎn)話題。人工智能與機(jī)器學(xué)習(xí)有什么關(guān)系？機(jī)器是如何進(jìn)行深度學(xué)習(xí)的呢？我們一起來(lái)了解一下人工智能與機(jī)器學(xué)習(xí)，揭開(kāi)人工智能的神秘面紗。

機(jī)器學(xué)習(xí)是一種試圖讓計(jì)算機(jī)像人類一樣學(xué)習(xí)獲得知識(shí)與技能，并像人類一樣感知世界、認(rèn)識(shí)世界的技術(shù)。

小孩在成長(zhǎng)過(guò)程中，通過(guò)接觸外部世界，形成對(duì)各類事物的認(rèn)知，例如，當(dāng)有人跟你提到狗時(shí)，你的頭腦會(huì)想到什么？你的大腦會(huì)有一個(gè)狗的特征模型，那么我們經(jīng)過(guò)什么樣的過(guò)程才能在大腦中形成狗的特征模型呢？腦科學(xué)家們進(jìn)行了大量的研究，試圖揭開(kāi)人腦活動(dòng)的秘密。但到目前為止，對(duì)人類的大腦，我們知道的還很少。關(guān)于人是如何學(xué)習(xí)的問(wèn)題，科學(xué)家們看法各異。我們?cè)噲D從小孩認(rèn)識(shí)狗的過(guò)程描繪人類學(xué)習(xí)的過(guò)程模型，以便于理解機(jī)器學(xué)習(xí)的過(guò)程。但它還僅僅是一個(gè)建立在現(xiàn)有認(rèn)識(shí)水平上的推測(cè)模型，人類學(xué)習(xí)的科學(xué)描述需要青年們?cè)谖磥?lái)的研究中去探索。

計(jì)算機(jī)“能聽(tīng)會(huì)看”源于機(jī)器具備了學(xué)習(xí)能力。計(jì)算機(jī)也能通過(guò)對(duì)某一對(duì)象的圖片、聲音、文字等內(nèi)容學(xué)習(xí)，建立起對(duì)該對(duì)象的特征模型。計(jì)算機(jī)建立某一對(duì)象的特征模型需要大量技術(shù)與方法的支持才能實(shí)現(xiàn)。計(jì)算機(jī)不同于人，并不能自己形成動(dòng)物的外貌特征模型。我們必須提前設(shè)計(jì)和開(kāi)發(fā)狗的外貌初始特征模型，然后利用大量的動(dòng)物圖片對(duì)計(jì)算機(jī)中動(dòng)物的外貌特征模型進(jìn)行整合，最終計(jì)算機(jī)才能得到狗的外貌特征模型。

筆者所在的學(xué)校于2020年9月創(chuàng)建了人工智能實(shí)驗(yàn)室，該人工智能實(shí)驗(yàn)室采用的是Intel的機(jī)器人，該機(jī)器人采用的是linux操作系統(tǒng)，使用python軟件編程，自帶小電腦，可以直接在機(jī)器人上調(diào)試操作，也可以遠(yuǎn)程操作。該機(jī)器人能夠自主學(xué)習(xí)，通過(guò)識(shí)別二維碼、實(shí)物就可以辨別不同的東西，并能自主導(dǎo)航，還能夠?qū)θ梭w結(jié)構(gòu)進(jìn)行辨別，可用于人臉識(shí)別，可以進(jìn)行二次開(kāi)發(fā)。

人工智能就是通過(guò)大量的數(shù)據(jù)模型的訓(xùn)練，能對(duì)未知的事件進(jìn)行決策和預(yù)測(cè)，所以具備了一定的人的“智能”。

一、機(jī)器學(xué)習(xí)算法與傳統(tǒng)基于規(guī)則的區(qū)別

機(jī)器學(xué)習(xí)與傳統(tǒng)的為解決特定任務(wù)、硬編碼的軟件程序不同，傳統(tǒng)解決問(wèn)題方式的代碼是邏輯判斷，通過(guò)制定邏輯規(guī)則來(lái)解決問(wèn)題，不具備智能。機(jī)器學(xué)習(xí)則是用大量的數(shù)據(jù)來(lái)“訓(xùn)練”，通過(guò)各種算法從數(shù)據(jù)中學(xué)習(xí)如何完成任務(wù)。

二、什么時(shí)候該使用機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)可以使機(jī)器變得智能起來(lái)，那么我們應(yīng)該在什么情況下使用機(jī)器學(xué)習(xí)呢？當(dāng)一個(gè)問(wèn)題的解決方案很復(fù)雜，或者問(wèn)題可能涉及大量的數(shù)據(jù)卻沒(méi)有明確的數(shù)據(jù)分布函數(shù)的時(shí)候可以使用機(jī)器學(xué)習(xí)。比如，我們沒(méi)有辦法通過(guò)以往的編程方式讓計(jì)算機(jī)去識(shí)別人臉，也沒(méi)有辦法給時(shí)刻變化的問(wèn)題進(jìn)行編程，像生產(chǎn)線上的瑕疵檢測(cè)，股票或者彩票這種數(shù)據(jù)跟隨時(shí)間變化的問(wèn)題，通過(guò)硬編碼進(jìn)行解決效果不好，通常這些問(wèn)題我們需要通過(guò)機(jī)器學(xué)習(xí)來(lái)解決，使預(yù)測(cè)效果更優(yōu)。

三、機(jī)器學(xué)習(xí)解決的主要問(wèn)題

機(jī)器學(xué)習(xí)可以解決很多問(wèn)題，總結(jié)有以下幾個(gè)最經(jīng)典的類型：

（1）分類問(wèn)題：通過(guò)數(shù)據(jù)訓(xùn)練，讓機(jī)器能夠認(rèn)識(shí)新東西。比如手寫(xiě)數(shù)字、人臉識(shí)別、物體識(shí)別等。

（2）回歸問(wèn)題：通過(guò)模型訓(xùn)練，對(duì)未知結(jié)果進(jìn)行預(yù)測(cè)。比如股票預(yù)測(cè)、房?jī)r(jià)預(yù)測(cè)等，通過(guò)回歸模型可以預(yù)測(cè)未來(lái)房?jī)r(jià)或者股票走勢(shì)。

（3）聚類問(wèn)題：類似分類問(wèn)題，但是也有很大的區(qū)別。分類問(wèn)題，對(duì)于訓(xùn)練和測(cè)試的數(shù)據(jù)類型、數(shù)量、名稱都是確定的。聚類問(wèn)題不清楚具體的類型數(shù)量以及名稱，需要根據(jù)經(jīng)驗(yàn)來(lái)分類。常見(jiàn)應(yīng)用如照片分類等，可以把模糊照片、風(fēng)景照、人像照形成單獨(dú)相冊(cè)。

四、機(jī)器學(xué)習(xí)分類

機(jī)器學(xué)習(xí)是一個(gè)很復(fù)雜的學(xué)科，下面又分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)是根據(jù)訓(xùn)練數(shù)據(jù)的標(biāo)簽來(lái)分的，每一個(gè)樣本數(shù)據(jù)都有對(duì)應(yīng)的標(biāo)簽。無(wú)監(jiān)督學(xué)習(xí)則是沒(méi)有對(duì)應(yīng)的標(biāo)簽，例如聚類問(wèn)題，有一堆圖片，但是沒(méi)有標(biāo)簽，通過(guò)模型訓(xùn)練，可以將這堆圖片根據(jù)規(guī)則分成兩類、三類或者多類，但是每類結(jié)果標(biāo)簽不知道。而半監(jiān)督學(xué)習(xí)介于監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)之間，訓(xùn)練的樣本只有部分有對(duì)應(yīng)的標(biāo)簽。強(qiáng)化學(xué)習(xí)跟標(biāo)簽沒(méi)有關(guān)系，強(qiáng)化學(xué)習(xí)主要是通過(guò)智能體狀態(tài)改變后環(huán)境反饋的獎(jiǎng)勵(lì)信息去進(jìn)行訓(xùn)練。有了大致了解后，我們對(duì)每種類型再做一個(gè)詳細(xì)的介紹。

如有三個(gè)樣本，分別是蘋果、梨和香蕉，通過(guò)監(jiān)督學(xué)習(xí)算法進(jìn)行模型訓(xùn)練，如果拿一個(gè)新的蘋果，只要符合蘋果的特征，就能進(jìn)行正確的分類。

計(jì)算機(jī)進(jìn)行監(jiān)督學(xué)習(xí)形成狗的外貌特征模型需要以下三個(gè)核心環(huán)節(jié)。

（1）準(zhǔn)備數(shù)據(jù)。需要準(zhǔn)備大量用于訓(xùn)練的狗外貌特征模型的圖片。

（2）訓(xùn)練模型。當(dāng)我們把大量的圖片輸入計(jì)算機(jī)的同時(shí)，還要把每張圖片標(biāo)記為“是狗”，計(jì)算機(jī)會(huì)把“是狗”這種標(biāo)記對(duì)應(yīng)到所有輸入的圖片上。這些標(biāo)記過(guò)的圖片形成了狗的特征模型訓(xùn)練數(shù)據(jù)。計(jì)算機(jī)提取訓(xùn)練數(shù)據(jù)的特征，并且建立特征和標(biāo)記之間的關(guān)系：具有這些特征的圖片是狗的圖片。給計(jì)算機(jī)輸入圖片數(shù)據(jù)并標(biāo)記“是狗”的過(guò)程就是監(jiān)督學(xué)習(xí)的過(guò)程。

（3）驗(yàn)證模型。模型訓(xùn)練完成后，我們?cè)俳o計(jì)算機(jī)輸入不做任何標(biāo)記的圖片數(shù)據(jù)。這些不做標(biāo)記的圖片數(shù)據(jù)叫做測(cè)試數(shù)據(jù)。計(jì)算機(jī)提取測(cè)試數(shù)據(jù)特征，然后與最近一次的狗的外貌特征模型進(jìn)行對(duì)比，判斷新輸入圖片的特征是否在狗的外貌特征模型識(shí)別的范圍內(nèi)，根據(jù)對(duì)比結(jié)果輸出是否是狗的判斷。我們根據(jù)計(jì)算機(jī)的判斷結(jié)果做出狗的特征模型是否訓(xùn)練成功的結(jié)論。

1.監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)主要應(yīng)用在回歸問(wèn)題和分類問(wèn)題上，回歸反映了樣本數(shù)據(jù)的屬性值特性，也就是通過(guò)函數(shù)來(lái)表達(dá)樣本數(shù)據(jù)與標(biāo)簽的依賴關(guān)系。如可以根據(jù)以往每周的股票收益來(lái)預(yù)測(cè)下周的股票收益等。分類主要是將樣本數(shù)據(jù)映射到某個(gè)給定的類別中，比如給機(jī)器10張貓的照片，告訴機(jī)器這是貓，以后機(jī)器再遇到貓的時(shí)候，就能通過(guò)模型得出是貓的結(jié)論。再如，根據(jù)道路車流量等交通數(shù)據(jù)的分析對(duì)明天交通情況預(yù)測(cè)。通過(guò)比較10元代金券或者75折消費(fèi)哪個(gè)更優(yōu)惠，可以判斷哪種方式更吸引顧客。

2.無(wú)監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督學(xué)習(xí)只有樣本，沒(méi)有標(biāo)簽，而如何進(jìn)行分類需要人為指定，訓(xùn)練是通過(guò)樣本內(nèi)部特征的相似性。

比如不同年齡段男女進(jìn)行游戲充值的情況，我們根據(jù)數(shù)據(jù)分成兩類，模型可根據(jù)性別信息，或者年齡信息進(jìn)行分類。

無(wú)監(jiān)督學(xué)習(xí)通常用來(lái)解決聚類問(wèn)題，如，哪些觀眾喜歡同一類電影，會(huì)根據(jù)觀眾觀看電影的信息，對(duì)觀眾進(jìn)行分類。

3.半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)樣本只有部分標(biāo)簽，比如有一萬(wàn)張貓的圖片，一萬(wàn)張狗的圖片，但是貓跟狗的標(biāo)簽都不完全，貓可能有400張圖片有對(duì)應(yīng)的標(biāo)簽，狗有600張圖片有標(biāo)簽，通過(guò)對(duì)有標(biāo)簽的樣本進(jìn)行訓(xùn)練，得出模型之后，用這個(gè)模型去預(yù)測(cè)沒(méi)有標(biāo)簽的圖片，然后將預(yù)測(cè)的結(jié)果作為偽標(biāo)簽再去進(jìn)行后續(xù)的訓(xùn)練。

4.強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)，又稱再勵(lì)學(xué)習(xí)、評(píng)價(jià)學(xué)習(xí)或增強(qiáng)學(xué)習(xí)，是機(jī)器學(xué)習(xí)的范式和方法論之一，用于描述和解決智能體在與環(huán)境的交互過(guò)程中通過(guò)學(xué)習(xí)策略以達(dá)成回報(bào)最大化或?qū)崿F(xiàn)特定目標(biāo)的問(wèn)題。

強(qiáng)化學(xué)習(xí)可以讓機(jī)器能夠像人一樣通過(guò)不斷地試錯(cuò)積累經(jīng)驗(yàn)。比如自動(dòng)駕駛的汽車，在遇到黃燈閃爍的情況下，是剎車還是加速通過(guò)？可能經(jīng)過(guò)無(wú)數(shù)次的嘗試以及獎(jiǎng)懲機(jī)制，可以得出結(jié)論：剎車比較安全。

五、機(jī)器學(xué)習(xí)基礎(chǔ)算法及相應(yīng)軟、硬件

機(jī)器學(xué)習(xí)現(xiàn)在已經(jīng)有了很多算法，這些算法在應(yīng)用領(lǐng)域都取得了非常好的效果。

1.機(jī)器學(xué)習(xí)軟件及發(fā)展

機(jī)器學(xué)習(xí)中需要對(duì)大量數(shù)據(jù)進(jìn)行處理和計(jì)算，比如復(fù)雜的神經(jīng)網(wǎng)絡(luò)中可能需要計(jì)算十幾萬(wàn)個(gè)權(quán)重參數(shù)，同時(shí)機(jī)器學(xué)習(xí)的很多算法已經(jīng)很成熟了，在簡(jiǎn)單的一些應(yīng)用上，可以直接使用，這會(huì)導(dǎo)致一些算法寫(xiě)很多次。為了避免這些情況，很多大公司都推出了自己的機(jī)器學(xué)習(xí)框架，這些框架中集成了很多機(jī)器學(xué)習(xí)算法，我們只需要調(diào)用傳遞參數(shù)就可以了。

人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。

人體內(nèi)有大量的神經(jīng)網(wǎng)絡(luò)，也叫神經(jīng)元。神經(jīng)細(xì)胞通過(guò)相互聯(lián)系構(gòu)成了一個(gè)功能強(qiáng)大、結(jié)構(gòu)復(fù)雜的信息處理系統(tǒng)——人體神經(jīng)系統(tǒng)。人們能夠思考并從事各種很難的工作，就是因?yàn)槲覀兩眢w內(nèi)部有許多微小的神經(jīng)細(xì)胞，它起著很大的作用。

科學(xué)家受人體神經(jīng)細(xì)胞的啟發(fā)，把每個(gè)神經(jīng)細(xì)胞抽象成一個(gè)叫作神經(jīng)元模型的基本信息單元，把許多這樣的信息單元按一定的層次結(jié)構(gòu)連接起來(lái)，就得到人工神經(jīng)網(wǎng)絡(luò)。但人工神經(jīng)網(wǎng)絡(luò)的信息處理能力距離人體神經(jīng)系統(tǒng)處理信息能力相差甚遠(yuǎn)。人工神經(jīng)網(wǎng)絡(luò)的種類很多，有卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等，不同的算法其實(shí)現(xiàn)用途是不同的。

2.人工智能軟件（庫(kù)，框架）

框架將參數(shù)計(jì)算，神經(jīng)網(wǎng)絡(luò)搭建等變成了簡(jiǎn)單函數(shù)，大大降低了人工智能的開(kāi)發(fā)難度，使不具備很專業(yè)的人工智能知識(shí)的人也能借助框架快速搭建自己的神經(jīng)網(wǎng)絡(luò)。

3.機(jī)器學(xué)習(xí)、深度學(xué)習(xí)硬件

人工智能第一次浪潮因?yàn)橛?jì)算機(jī)算力的問(wèn)題而終止。但是現(xiàn)在，我們有高性能的CPU、GPU、FPGA芯片以及AI專用的芯片組件。這些硬件設(shè)備保證了人工智能的硬件環(huán)境。如GPU提供了快速的浮點(diǎn)運(yùn)算，可以大大縮短神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間。

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的核心技術(shù)，是使計(jì)算機(jī)具有人工智能的重要方式。它已經(jīng)應(yīng)用在人工智能的各個(gè)領(lǐng)域。機(jī)器學(xué)習(xí)同時(shí)作為人工智能最有效的實(shí)現(xiàn)方式，已經(jīng)在教育、醫(yī)療和工業(yè)等眾多領(lǐng)域得到了廣泛的應(yīng)用。作為人工智能教師，我們要不斷學(xué)習(xí)人工智能的知識(shí)，充分了解并掌握好機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模式，并應(yīng)用于教育教學(xué)中，為教學(xué)服務(wù)。