人工智能发展的新技术——深度学习

刘召华

宝鸡职业技术学院电子信息工程系，陕西　宝鸡　721013



人工智能发展的新技术
——深度学习

刘召华*

宝鸡职业技术学院电子信息工程系，陕西宝鸡721013

摘要：近年来，在计算机和互联网巨头推动下，人工智能进入新的发展高潮，人工神经网络、机器学习、深度学习等将人工智能推向新的高度。深度学习是人工智能的基础，本文针对Alpha Go深度学习分析，讲述了深度学习算法实现原理。

关键词：人工智能；深度学习；深度卷积神经网络

2016年3月9日，谷歌人工智能Alpha Go与世界围棋冠军李世石进行了举世瞩目的人机大战，人们的焦点再次聚集到人工智能。从人工智能提出60年来，人工智能取得长足发展，成为一门广泛的交叉和前沿科学。人工智能发展到现在崭新的阶段，主要来自于机器学习中的一个子分支——深度学习。

一、深度学习

深度学习的概念源于人工神经网络的研究，属于机器学习研究中的一个新的领域。深度学习是指人工智能对从未经过标记的数据展开学习、训练，自行掌握概念，学会辨识声音、图像和其他数据，这种学习方式更接近人脑的方式。深度学习主要是以构建深层结构来学习多层次的表示，并不是特指某种机器学习算法或模型，而是一种技术。

在人工神经网络研究中，研究人员利用解剖学知识发现大脑表示信息的方式：通过感官信号接收到的刺激信号通过一个复杂的层状网络模型获取观测数据展现的规则。也就是说，人脑是根据经聚集和分解过程处理后的信息来识别物体。因此视皮层的功能是对感知信号进行特征提取和计算，而不仅仅是简单地重现视网膜的图像。人类感知系统这种明确的层次结构极大地降低了视觉系统处理的数据量，并保留了物体有用的结构信息。人工神经网络是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统，而含多隐层的多层感知器就是一种深度学习结构。

深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。其动机在于建立、模拟人脑进行分析学习的神经网络，从而模仿人脑的机制来解释数据，例如图像，声音和文本。它比传统神经网络拥有更多的隐含层，使用更多的网络层次来模拟大脑的学习机制，并克服了传统神经网络算法在多层情况下训练困难的问题。它同样是人工神经网络，突破之处在于它的网络层次和解决训练难度的方法。

二、Alpha Go深度学习技术过程分析

从自然期刊论文提供的资料分析，Alpha Go主要是通过把已有的技术整合在一起，并利用大量的训练数据和计算资源来提高准确性，所以其核心仍然是强大的计算平台和工程能力。Alpha Go主要用到的核心技术：机器学习中的监督学习和强化学习；启发式搜索算法的蒙特卡罗树搜索算法，另外，深度学习模型里的深度卷积神经网络和优化方法中的一阶方法一起构成了Alpha Go的核心组件。

围棋人工智能问题的核心在于搜索。最简单的方法其实就是把所有的可能性罗列出来，然后从中选出最优的方案。实际围棋比赛中这种“可能性”太多，即搜索空间过于庞大。即使耗费再多的硬件资源，把每种可能的情况都做一遍验证也不现实。所以Alpha Go的核心技术避免穷举这些所有的可能性，而是利用更聪明的方式(比如近似)来找到那些有可能促使胜利的策略。当一个选手把白色棋子放在9*9小棋盘上的时候，对于机器来说它有80种可能的走子方案(9*9-1)，这称之为广度(Breadth)。机器确认了下一步走子方案的时候，选手就可以选择剩下的79种走子方案。很容易看出，仅仅简单的两步就共产生了80*79种不同的组合。所以，当一个游戏的长度为N的时候(也称之为深度Depth)，考虑所有的可能性是不现实的。总的可能性数目依赖于前面所提到的广度和深度，所以我们的目标就是要降低搜索空间的大小，即要降低广度和深度。

走棋网络的目的是为了减少广度。对于一个给定的棋盘状态，我们要尽量把需要考虑的范围减少，同时也要考虑最优的走子方案。通过走棋网络我们可以只选择可能性较大的走子方案，而不去考虑剩下的方案。从数学的角度来讲，对于给定的一个棋盘状态，先计算概率分布，然后从中选择最为合理的走子方案。Alpha Go系统中选用深度神经网络中的一种——深度卷积神经网络方法来计算概率分布。在Alpha Go系统里，深度卷积神经网络的输入是一个棋盘(可以把棋盘看做是一幅图，棋盘上的黑子和白子分别可以用1和-1来表示，剩下的空位置可以用0来表示)，其实相当于一个矩阵。它的输出就是不同走子方案的概率分布，然后基于这个分布，可以做下一步的决策。为了达到训练的目的，Alpha Go需要大量的训练样本，样本就是职业玩家的比赛记录。训练好的模型就可以用来模拟高手似的走法。整个样本的训练过程需要大量的计算资源。Alpha Go系统会从已有的比赛历史中去学习顶级高手的走子方案。也就是说，给定一个棋盘状态，Alpha Go会试图去模仿专家的走法，并判断哪中走法最有利。然而，Alpha Go并没有停留在这一步，而是接着用强化学习的方式来进一步提高系统的性能。强化学习主要用来搜集更多的样本，从而提高系统的准确率。采用做法是把训练出来的模型俩俩做对抗，根据比赛的结果再更新模型的参数。所以这是机器和机器之间的较量，这种迭代会反复很多次。通过这种迭代，最初的模型最后可能演变成了另一种模型，这种通过不断地自我提升训练出来的模型在大部分情况下会胜出最初的专家模型。

三、深度学习应用现状及不足

深度学习的应用对象不仅包含语音、图像、视频，也包含文本、语言和语义信息。深度学习已成功应用于多种模式分类问题。这一领域虽处于发展初期，但它的发展无疑会对机器学习和人工智能系统产生影响。同时它仍存在某些不适合处理的特定任务，譬如语言辨识，生成性预训练提取的特征仅能描述潜在的语音变化，不会包含足够的不同语言间的区分性信息；虹膜识别等每类样本仅含单个样本的模式分类问题也是不能很好完成的任务。

四、结束语

深度学习目前仍有大量工作需要研究。模型方面是否有其他更为有效且有理论依据的深度模型学习算法，探索新的特征提取模型是值得深入研究的内容。此外有效的可并行训练算法也是值得研究的一个方向。在深度学习应用拓展方面，如何充分合理地利用深度学习在增强传统学习算法的性能仍是目前各领域的研究重点。

[参考文献]

[1]李凡长.《机器学习》.中国科学技术大学出版社，ISBN：9787312026362.

[2]周志华.《机器学习及其应用》.清华大学出版社，ISBN：9787302204190，2009.

*作者简介：刘召华(1976-)，男，汉族，陕西凤翔人，在职硕士，宝鸡职业技术学院，计算机网络专业助讲，研究方向：物联网。

中图分类号：B82-057

文献标识码：A

文章编号：1006-0049-(2016)14-0223-01