導(dǎo)讀

本文總結(jié)了來(lái)自于知乎問(wèn)題：“為什么感覺深度學(xué)習(xí)越學(xué)越懵?”下的精華回答，優(yōu)秀的作者們對(duì)學(xué)習(xí)的方式，書籍的選擇以及該問(wèn)題本質(zhì)下透露的目前領(lǐng)域的發(fā)展困境都提出了自己的看法。

問(wèn)題背景：近日，有一位開發(fā)者在知乎進(jìn)行提問(wèn)，說(shuō)自己目前國(guó)內(nèi)top2研一在讀，方向是AI和NLP。本科沒有怎么接觸過(guò)科研，這學(xué)期剛剛開始在實(shí)驗(yàn)室搬磚。他在閱讀了DL相關(guān)書籍和資料，如李航老師的《統(tǒng)計(jì)學(xué)習(xí)方法》后，對(duì)深度學(xué)習(xí)方面的理論知識(shí)理解感到困難，花書也不太讀的懂。那么對(duì)于如題主這樣的初次接觸科研的學(xué)生來(lái)說(shuō)，為什么會(huì)產(chǎn)生深度學(xué)習(xí)越學(xué)越懵的感覺？是不是對(duì)知識(shí)結(jié)構(gòu)的掌握不夠，亦或是學(xué)習(xí)的方法上存在問(wèn)題？

01

作者：薛天凡

題主你所經(jīng)歷的困惑其實(shí)是很多ML研究員多會(huì)經(jīng)歷的。你正處于知其然但不知其所以然的這一階段，所以感到困惑。你知道每個(gè)算法是如何實(shí)現(xiàn)的，但可能還沒完全理解這個(gè)算法如何發(fā)展而來(lái)，根本上要解決一個(gè)什么問(wèn)題。當(dāng)知道這個(gè)，這些算法就會(huì)自然而然在你腦子中串成一張網(wǎng)。 就以你提到vae，cvae，生成模型來(lái)說(shuō)。這些最初的基礎(chǔ)是ae（auto encoder）算法，就是用一個(gè)encoder把一個(gè)原始高維向量（圖片，文字，語(yǔ)音）投影到一個(gè)低維的向量（隱變量），再用一個(gè)decoder將原始向量從隱變量中恢復(fù)出來(lái)。從此引出 1）能夠通過(guò)sample隱變量來(lái)生成新的圖像/文字/語(yǔ)音。這就有了vae，就是在ae的基礎(chǔ)上加上kl divergence loss使得隱向量可以被sample。 2）進(jìn)一步，如果想sample特定種類的圖片/文字/語(yǔ)音，例如只生成男人的圖像，或者小孩子的聲音。這就引出了conditional sample，也就是cvae。 3）再進(jìn)一步，vae大部分使用l2 loss，而l2 loss通常會(huì)使生成的圖片變得模糊。為了解決這個(gè)問(wèn)題，就需要一種更靠近我們感知的loss，也就引出了GAN模型中的learned loss function。 舉這個(gè)例子就是想說(shuō)當(dāng)你明白了每個(gè)算法到底在解決一個(gè)什么問(wèn)題是，就很容易串起來(lái)。另外，對(duì)于算法的理解每個(gè)人也并不相同，所以也不必局限于一本書中所說(shuō)的知識(shí)架構(gòu)。能夠建立起自己的知識(shí)架構(gòu)，才是真正懂這個(gè)領(lǐng)域。 要想做到這一點(diǎn)，就是要多看，多想，多討論。多看，就是要讀更多書，有時(shí)也不如直接去看一下原始的論文，書畢竟是加工后的信息。多想，就是不要書或論文怎么說(shuō)就怎么信，而是自己想想其中的邏輯。一個(gè)很好的思維訓(xùn)練就是，可以在看到一篇論文提出的解決方案之前，先自己想想如果是你會(huì)怎么解決，再看論文中的方法是否合理。多討論就是把你的想法和同行說(shuō)說(shuō)，看看其他人怎么理解的。題主其實(shí)已經(jīng)在正確的道路上，看了不少書籍，多想想多與人討論討論，慢慢就會(huì)越學(xué)越清晰。 去完全理解一個(gè)算法的發(fā)展，真正理解這個(gè)領(lǐng)域，需要去建立起自己的知識(shí)架構(gòu)。要到達(dá)這個(gè)境界就需要大量的閱讀和思考，下面兩位答主就介紹到該如何通過(guò)有效的閱讀書籍以及閱讀論文的方式去加深對(duì)深度學(xué)習(xí)的理解。

02

作者：棒棒糖

盡管你是top2研一，但是你還是會(huì)發(fā)現(xiàn)周圍的全是調(diào)參俠和啟發(fā)式帶師。

如果真想做下去，而不是研究生畢業(yè)去找工作，看完一遍花書（第九章之前），然后就可以把花書當(dāng)工具去查了。（花書，即goodfellow寫的deep learning一書，中文名是深度學(xué)習(xí)）

花書的問(wèn)題是它有些機(jī)器學(xué)習(xí)的基礎(chǔ)（被絕大部分頂會(huì)論文所忽略的東西）略過(guò)不談，但是在描述深度學(xué)習(xí)的時(shí)候又不由自主的用了這些東西，所以初學(xué)者讀起來(lái)云里霧里的。

而這些基礎(chǔ)，從西瓜書里可以看到，從統(tǒng)計(jì)學(xué)習(xí)方法里可以看到，但你不會(huì)去注意，因?yàn)槟悴⒉徽J(rèn)為它關(guān)鍵，一掠而過(guò)。這是現(xiàn)在很多深度學(xué)習(xí)者所面臨的致命問(wèn)題。

我的方法是興趣廣泛的讀論文，讀那些試圖去解釋神經(jīng)網(wǎng)絡(luò)的論文，包括NTK這些企圖用線性代數(shù)和動(dòng)力學(xué)的，用特征和矩陣分解的，用優(yōu)化理論的，用編碼的，等等。然后去做實(shí)驗(yàn)，思考你該怎么在不斷波動(dòng)的測(cè)試結(jié)果中選擇填進(jìn)論文里的數(shù)據(jù)，你很快就會(huì)意識(shí)到偏差，方差，過(guò)擬合，欠擬合，early stop等等詞語(yǔ)和你最開始理解的東西完全不一樣。思考那些看似合理的曲線在各種各樣的理論里扮演著怎么樣的角色，深度學(xué)習(xí)背后的幽靈會(huì)在那些曲線里露出馬腳。

格物而致知。

這世界上的科學(xué)莫過(guò)于此。

03

作者：zibuyu9

建議選一本為主進(jìn)行學(xué)習(xí)，如李航老師《統(tǒng)計(jì)學(xué)習(xí)方法》，其他參照即可，因?yàn)榇蟛糠纸滩牡暮诵膬?nèi)容都大同小異。以我對(duì)李航老師教材內(nèi)容的了解，在掌握微積分、線性代數(shù)、概率論、編程等基礎(chǔ)知識(shí)后，還比較容易讀。如果經(jīng)?？?，建議從這些基礎(chǔ)知識(shí)補(bǔ)起。

另外結(jié)合高贊回答（剛發(fā)現(xiàn)該回答已刪除，不是現(xiàn)在的高贊回答）說(shuō)幾句，現(xiàn)在AI是很火，吸引很多學(xué)生，論文成倍增加，也出現(xiàn)很多質(zhì)量參差不齊的工作。我覺得主要原因是，行之已久的基于“信任”的學(xué)術(shù)會(huì)議同行評(píng)審機(jī)制，無(wú)法應(yīng)對(duì)背后功利暗涌的海量投稿。從論文價(jià)值上講，只要一份工作實(shí)驗(yàn)結(jié)果和結(jié)論是真實(shí)的，無(wú)論作用大小，對(duì)整個(gè)領(lǐng)域總是正面的，而且這些科研過(guò)程訓(xùn)練學(xué)生解決開放能力也是非常有意義的；而從最底線上講，以我參與的相關(guān)學(xué)術(shù)會(huì)議服務(wù)的經(jīng)歷，很多學(xué)術(shù)會(huì)議已經(jīng)開始利用數(shù)據(jù)挖掘算法檢測(cè)和打擊互bid論文行為，開始探討如何解決當(dāng)下的可復(fù)現(xiàn)性（reproducibility）問(wèn)題。

當(dāng)然這也是因?yàn)楝F(xiàn)在國(guó)內(nèi)還處在數(shù)頂會(huì)論文的階段。等后面大家都有頂會(huì)論文了，相信又會(huì)有人開始刷引用刷其他影響力。只要有一個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，就總會(huì)有人走捷徑，除非這個(gè)領(lǐng)域不火了。但無(wú)論怎樣，有人也許能通過(guò)不合適的手段獲益，也不應(yīng)當(dāng)成為你這么做的理由。學(xué)術(shù)研究應(yīng)當(dāng)做的是不斷追求卓越，而不是反復(fù)試探底線。

為什么會(huì)對(duì)書本的知識(shí)無(wú)法理解？問(wèn)題或許在于數(shù)學(xué)能力較弱。下文中，答主日月講述到了題主問(wèn)題的關(guān)鍵所在并給出了簡(jiǎn)略的解決方法。在基礎(chǔ)打牢后，需要?jiǎng)邮秩鴮?，馬克思也說(shuō)過(guò)，實(shí)踐出真知。在理論知識(shí)豐富的基礎(chǔ)上，必須要踏出實(shí)操的一步，才能將知識(shí)理解的更為透徹。

04

作者：日月

你說(shuō)的這幾本書理論太差了，我不知道你計(jì)算機(jī)基礎(chǔ)如何。如果編程基本的算法能力和系統(tǒng)掌握的不錯(cuò)的話，清北ai的研究生應(yīng)該具備這個(gè)能力才對(duì)。你讀的這幾本書基本都是調(diào)api的，人家都給你封裝玩了，你光調(diào)用一下怎么可能深入理解？

那么，問(wèn)題就在于你的數(shù)學(xué)太差了，你疑惑的哪些問(wèn)題全是數(shù)學(xué)問(wèn)題，但是這個(gè)時(shí)間點(diǎn)，你應(yīng)該還在學(xué)習(xí)基礎(chǔ)課，其實(shí)機(jī)器學(xué)習(xí)是比較高深的課程，學(xué)這個(gè)之前，數(shù)值計(jì)算，各種計(jì)算機(jī)系統(tǒng)課程，優(yōu)化，統(tǒng)計(jì)概率應(yīng)該先學(xué)完再來(lái)學(xué)機(jī)器學(xué)習(xí)，這時(shí)候才能很好的理解那些概念，再實(shí)戰(zhàn)強(qiáng)化。但是現(xiàn)在很多整ai的，直接跳過(guò)了這個(gè)過(guò)程，我經(jīng)常碰到做深度學(xué)習(xí)計(jì)算機(jī)視覺的，問(wèn)數(shù)學(xué)優(yōu)化算法不會(huì)，跟系統(tǒng)相關(guān)的東西你讓他改點(diǎn)東西不會(huì)。太浮躁了。

建議抓緊補(bǔ)數(shù)學(xué)基礎(chǔ)，你數(shù)學(xué)越硬，后面做研究才能做的更扎實(shí)，而不是一個(gè)大神整出來(lái)什么算法然后喊666在拷貝過(guò)來(lái)改吧改吧用。

補(bǔ)完數(shù)學(xué)基礎(chǔ)，有空一些寫一些機(jī)器學(xué)習(xí)算法，光李航那本書，如果你想用cpp從底層一路打上去實(shí)現(xiàn)也要用到很多基礎(chǔ)計(jì)算機(jī)算法和系統(tǒng)知識(shí)的。別光用python調(diào)包，你都不知道他怎么實(shí)現(xiàn)的，你說(shuō)你理解的有多深刻，自己都不信的。用c++寫，不用所有算法都寫，但是要寫一些，然后改并行分布式。練兩個(gè)之后再去看一些算法實(shí)現(xiàn)的源碼，這時(shí)候你入門了。再去跑數(shù)據(jù)集，然后就會(huì)有很多idea，你才逐步進(jìn)入科研。

在對(duì)學(xué)習(xí)的方法了解后，下面這位答主對(duì)問(wèn)題的本質(zhì)進(jìn)行了探討，為什么會(huì)產(chǎn)生越學(xué)越困惑，似懂非懂的感覺呢，或許有這樣感受的不止題主一人。作者分析了目前深度學(xué)習(xí)幾個(gè)大發(fā)展方向，之所以會(huì)讓很多人產(chǎn)生困惑的原因，事實(shí)上就是黑盒，而且?guī)缀鯖]什么辦法打開盒子看，因?yàn)榇蜷_了就是上億個(gè)參數(shù)。雖然可能現(xiàn)在深度學(xué)習(xí)方面存在大量的灌水，或許某天也能夠突然的起飛。

05

作者：匿名用戶

本來(lái)就是煉丹，你這么覺得完全沒錯(cuò)。

深度學(xué)習(xí)搞了這么久，還是個(gè)黑盒子，最多就是隱層截幾張圖片出來(lái)搞個(gè)“可視化”，搞了一堆沒什么用的“萬(wàn)能”逼近理論，結(jié)果理論中的結(jié)果和現(xiàn)實(shí)中的樣本量、參數(shù)量根本不在一個(gè)數(shù)量級(jí)上。最核心的問(wèn)題，也就是樣本空間的數(shù)學(xué)結(jié)構(gòu)，因?yàn)樘^(guò)復(fù)雜根本沒人能講清楚，也沒人想到要去研究。譬如說(shuō)，手寫數(shù)字MNIST數(shù)據(jù)集服從什么分布？

應(yīng)用上除了CV和NLP也沒搞出什么東西。

CV搞出的東西被對(duì)抗樣本克得死死的。對(duì)抗的手段要多少有多少，一個(gè)一個(gè)去堵是堵不完的。現(xiàn)在已經(jīng)只要在標(biāo)識(shí)牌上貼個(gè)便簽條就能把自動(dòng)駕駛算法給忽悠了，或者戴個(gè)紙糊的眼鏡就能把基于深度學(xué)習(xí)的人臉識(shí)別算法給騙了，相關(guān)的論文你都可以自己去找。

NLP搞出的東西的可解釋性就是差，也沒有很緊密地和邏輯體系、知識(shí)體系相融合，一融合就是貝葉斯，實(shí)際上只不過(guò)是用貝葉斯公式強(qiáng)行解釋神經(jīng)網(wǎng)絡(luò)罷了，至于融合上沒有不知道。

我讀過(guò)的每篇論文里都會(huì)用貝葉斯公式，仿佛深度學(xué)習(xí)能和數(shù)理統(tǒng)計(jì)掛上鉤似的。如果真能掛上鉤，那么神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的概率論模型是什么？樣本服從什么分布？為什么服從這樣的分布？能不能用假設(shè)檢驗(yàn)來(lái)驗(yàn)證這一模型是合理的？等到哪天學(xué)術(shù)界能夠不玩文字游戲地解釋清楚這些問(wèn)題，深度學(xué)習(xí)才能被解釋清楚。如果總是說(shuō)什么隱變量（隱層神經(jīng)元）、嵌入（見VAE等）等服從高維正態(tài)分布，那也太含混不清了。

VAE那篇開山作品，將MNIST嵌入到二維流形上，生成了一張圖片，上面按照不同的嵌入表示不同的數(shù)字。依我看來(lái)基本邏輯都說(shuō)不通。應(yīng)該是每個(gè)數(shù)字和字母處在一個(gè)低維的流形，例如二維或者三維，1就是1，2就是2，每個(gè)類所處的流形之間應(yīng)該存在一個(gè)比較清晰的邊界。將所有的數(shù)字混到一個(gè)流形上去是要干什么，而且這個(gè)流形居然還是一個(gè)二維的正方形，意義不明啊，合著1就是7，3就是5，兩兩之間傻傻分不清啊。我個(gè)人在這個(gè)問(wèn)題上還做過(guò)一點(diǎn)科研，用簡(jiǎn)單的LadderNetwork將MNIST嵌入到二維空間上并且使每個(gè)類聚在一起，類與類之間有一定間距。效果一般般，只能說(shuō)確實(shí)能把MNIST嵌入到二維流形上。訓(xùn)練集每個(gè)類都聚得很好，測(cè)試集就烏七八糟了，過(guò)擬合極為明顯。

還有什么卷積神經(jīng)網(wǎng)絡(luò)的平移不變性、縮放不變性什么的，如果你找一張圖片往上邊補(bǔ)個(gè)黑邊，左右平移平移10%、20%、30%，縮放1.1倍、1.2倍、1.3倍，找個(gè)state of art的網(wǎng)絡(luò)喂進(jìn)去，分類結(jié)果絕對(duì)精彩。

我看還是搞搞強(qiáng)化學(xué)習(xí)運(yùn)用到機(jī)器人控制上比較靠譜，畢竟任務(wù)簡(jiǎn)單些。參數(shù)超過(guò)一萬(wàn)個(gè)的網(wǎng)絡(luò)我是覺得都信不過(guò)。機(jī)械臂、機(jī)械狗的動(dòng)作軌跡都有比較簡(jiǎn)單的模型，參數(shù)不多，這些模型應(yīng)該是能做好的，實(shí)際上我們也看到包括波士頓動(dòng)力等一些公司造出了實(shí)際的產(chǎn)品。

或者多搞搞對(duì)抗樣本惡心一下學(xué)術(shù)界和工業(yè)界也不錯(cuò)。

實(shí)在不行也可以將深度學(xué)習(xí)運(yùn)用到藝術(shù)創(chuàng)作上。生成游戲場(chǎng)景貼圖、創(chuàng)作音樂、創(chuàng)作抽象藝術(shù)，反正是在虛擬的世界里，不會(huì)有什么實(shí)質(zhì)的危害，最多也就是惡搞惡搞特朗普罷了?；蛘哂脕?lái)生成語(yǔ)音，不過(guò)這方面科大訊飛已經(jīng)有比較成熟的產(chǎn)品了。

工業(yè)化的應(yīng)用，例如自動(dòng)車，我看還是別搞的好，特斯拉已經(jīng)霍霍死不少人了，不需要再多一家。

事實(shí)上工業(yè)界里機(jī)器學(xué)習(xí)是很吃香的，應(yīng)用極為廣泛，只不過(guò)那些都是模型的內(nèi)涵被分析得非常清楚的傳統(tǒng)的機(jī)器學(xué)習(xí)。

如果沒有理想的話，深度學(xué)習(xí)灌水是很簡(jiǎn)單的。東拼西湊就能整一篇，但有什么用呢？

順帶說(shuō)一句，Goodfellow那本Deep Learning的英文版我看過(guò)，也就是那樣的東西，別搞得跟圣經(jīng)似的。

責(zé)任編輯：lq