轉(zhuǎn)載
陳昭明先生大作
前言
這一波人工智慧(Articial Intelligence，AI)風(fēng)潮方興未艾，產(chǎn)學(xué)研界發(fā)表不少的具體研發(fā)成果，例如AlphaGo、機(jī)器人、無(wú)人駕駛自動(dòng)車、ChatBot、人臉辨識(shí)、語(yǔ)音辨識(shí)...等，加上各種媒體新聞不斷吹捧，搞的好像不懂AI的資訊人，就快要失業(yè)了，于是，狂買了近二十本的相關(guān)書籍，準(zhǔn)備好好的努力一下，一窺 AI 奧秘，剛好藉由鐵人賽督促自己，記錄過(guò)程并將心得與同好分享，也希望能獲得各位先進(jìn)的指教。
AI的演進(jìn)
人工智慧其實(shí)已經(jīng)歷了三波熱潮，如下圖，前兩波都功敗垂成，只留下一些美麗的愿景。
圖. AI 的三波熱潮, 資料來(lái)源：http://www.testleo.com/blog/archives/6121 。
為什么這一波會(huì)成功? 主要有幾個(gè)動(dòng)力：
- 資料增加與整理：拜網(wǎng)際網(wǎng)絡(luò)之賜，資料以指數(shù)的速度大量的增加，又因大型網(wǎng)絡(luò)公司的掘起，他們投注許多的人力與資金，標(biāo)注(Labelling)訓(xùn)練資料，用于改善自身的核心業(yè)務(wù) -- 社群媒體(social media)，并開(kāi)放給一般研究者使用，例如 image.net就擁有超過(guò)近1400萬(wàn)張標(biāo)注的圖片，作為影像辨識(shí)的訓(xùn)練/測(cè)試資料集。另外，手機(jī)的盛行讓企業(yè)輕易蒐集大量的用戶行為資料，物聯(lián)網(wǎng)(IoT)的風(fēng)潮也會(huì)產(chǎn)生大量的感測(cè)器資料，這些都將成為 『機(jī)器學(xué)習(xí)』(Machine Learning) 的養(yǎng)分。
- 硬體的發(fā)展：依摩爾定律的經(jīng)驗(yàn)法則，積體電路上可容納電晶體的數(shù)量每隔24(或 18) 個(gè)月便會(huì)增加一倍，以及強(qiáng)大的云端運(yùn)算/資料中心、還有專為AI設(shè)計(jì)的CPU/GPU/FPGA/晶片，在在都顯著提升伺服器端及用戶端設(shè)備的運(yùn)算速度。
- 演算法：各種演算法推陳出新，配合GPU算術(shù)運(yùn)算的優(yōu)勢(shì)及分散式計(jì)算的實(shí)現(xiàn)，利用數(shù)學(xué)/統(tǒng)計(jì)理論，計(jì)算大量資料，形朔各種模型，應(yīng)用在影像、語(yǔ)音、文字辨識(shí)、處理與回應(yīng)上，使機(jī)器具備人腦一般的智慧。
種種的因素擘劃出美麗的未來(lái)愿景，還是海市蜃樓? 且看未來(lái)發(fā)展。
圖. 第三波AI的動(dòng)能，資料來(lái)源: 人工智能，請(qǐng)準(zhǔn)備迎接冬天
機(jī)器學(xué)習(xí)(Machine Learning)
這一波AI的主軸就是『機(jī)器學(xué)習(xí)』(Machine Learning)，強(qiáng)調(diào)讓『機(jī)器自我學(xué)習(xí)』，藉由資訊的蒐集與演算法的改進(jìn)，讓機(jī)器可以吸收知識(shí)，自我學(xué)習(xí)，并根據(jù)學(xué)習(xí)的成果(即預(yù)測(cè)的準(zhǔn)確性)修正與反饋，不斷提升機(jī)器的智慧。這種解決問(wèn)題的方法與傳統(tǒng)的系統(tǒng)開(kāi)發(fā)想法有所不同，Machine Learning 不只靠演算法解決問(wèn)題，也靠不斷累積的資料，將之轉(zhuǎn)化為『知識(shí)』，深植于模型內(nèi)，請(qǐng)參考下圖說(shuō)明：
圖. 傳統(tǒng)程式開(kāi)發(fā)方式 vs. Machine Learning 解決問(wèn)題方式
神經(jīng)網(wǎng)路(Neural Network)
Machine Learning 目前偏向大量使用統(tǒng)計(jì)理論作為建立模型的基礎(chǔ)，尤其是 Data Mining 方法，包括『決策樹(shù)』(Decision Tree)、迴歸分析(Regression)、支援向量機(jī)(SVM)、聚類分析(Clustering)、貝氏分類演算法(Naive Bayes classifier)...等，但目前最夯的是『神經(jīng)網(wǎng)路』(Neural Network)，它主要是模仿生物的神經(jīng)系統(tǒng)，透過(guò)層層連接的『神經(jīng)元』(Neuron)，建立傳導(dǎo)的模型，以推論輸入(Input)到輸出(Output)的過(guò)程。
圖. 神經(jīng)系統(tǒng)，圖片來(lái)源：李宏毅 一天搞懂深度學(xué)習(xí)
實(shí)作環(huán)境(Implementation)
現(xiàn)在網(wǎng)路大廠紛紛推出『神經(jīng)網(wǎng)路』(Neural Network)的框架(Framework)，而且大都是Open Source(佛心來(lái)也)，以支援Python語(yǔ)言為主流，安裝方便，入門的門檻也很低，只要寫個(gè)十幾行的程式，就能辨識(shí)阿拉伯?dāng)?shù)字，乍看一下，好像依樣畫葫蘆，就可以寫出個(gè)應(yīng)用系統(tǒng)了，但是每一個(gè)演算法都有很多的假設(shè)與適用范圍限制，可以直接套用，解決問(wèn)題的機(jī)率其實(shí)很低，因此，還是要了解其原理，進(jìn)而知道其假設(shè)、限制及可變通的方式(至少調(diào)調(diào)參數(shù)吧!)，才能真正解決問(wèn)題，若把烏龜辨識(shí)為槍枝，那就窘了。
這個(gè)系列的發(fā)文，會(huì)以 Google TensorFlow 的框架為基礎(chǔ)，採(cǎi)用架構(gòu)在它上面的Keras為程式開(kāi)發(fā)主軸，它同時(shí)也支援其他框架，如 CNTK、Theano，這類的程式(Keras、TFLearn) 稱為 Meta Framework，是學(xué)習(xí) Neural Network 很好的學(xué)習(xí)工具。
發(fā)文內(nèi)容
由于 Machine Learning 技術(shù)主要是建構(gòu)在統(tǒng)計(jì)及數(shù)學(xué)的基礎(chǔ)上，再加上眾多演算法(Algorithms) ，對(duì)于從事應(yīng)用系統(tǒng)開(kāi)發(fā)多年的我而言，要在短時(shí)間內(nèi)打通任督二脈，甚至能動(dòng)手開(kāi)發(fā)，實(shí)在很艱辛，雖然在校學(xué)統(tǒng)計(jì)6年(從來(lái)沒(méi)應(yīng)用過(guò)，所以也忘得差不多了)，又開(kāi)發(fā)系統(tǒng)多年，在自學(xué)過(guò)程中，仍然頻頻卡關(guān)，腦袋打結(jié)，雖然如此，還是在過(guò)程中有很大的收穫，因此，為降低讀者的學(xué)習(xí)障礙，撰文以『輕鬆/快樂(lè)學(xué)習(xí)』為出發(fā)點(diǎn)，用圖說(shuō)故事，希望有助于釐清各個(gè)演算法觀念、原理與實(shí)作。
系列發(fā)文將包括以下內(nèi)容:
- Neural Network 的概念與原理
- 開(kāi)發(fā)環(huán)境建置
- 各類范例程式說(shuō)明
- 各種演算法(Algorithms)：CNN、RNN、LSTM 等。
- 各式應(yīng)用：Style Transfer、Image Captioning ...等。
觀念會(huì)盡量以圖說(shuō)明，原理會(huì)牽涉統(tǒng)計(jì)，但不會(huì)有數(shù)學(xué)推導(dǎo)(因?yàn)槲乙膊粫?huì))，實(shí)作會(huì)以Python/Keras程式撰寫，讀者可以各取所需，不必吃滿漢全餐。
由于鐵人賽時(shí)間緊迫，一邊讀書、一邊看/寫程式、一邊撰文，發(fā)文內(nèi)容如有謬誤，還請(qǐng)各位先進(jìn)不吝指正，也請(qǐng)各位不要期望過(guò)高，畢竟小弟也是剛?cè)腴T而已。
