牛津大學的機器學習先驅Nando de Freitas剛剛在自己的***推文中推薦了這篇關于“深度學習怪圈”的文章。本文作者將人類自我認知的怪圈與深度學習的算法怪圈相聯系，“自我創造”這一似乎是“人類思想”獨有的屬性，似乎正在成就一些難以置信的深度學習成果。

怪圈是一種循環系統，橫貫不同等級的各個層次。通過這種循環，一個人可以追溯他的本源。

無獨有偶，被Yann LeCun稱為“機器學習在過去的二十年間最酷的想法”背后，最根本的實際上正是這種“怪圈”。

循環在機器學習系統中并不典型，按照慣例，這些系統由不同計算層的無環圖構成。然而，我們現在開始發現，采用”反饋循環”能衍生出一種令人難以置信的、新的自動操作。

這可不是夸張，這是今天正在發生的事實。研究者們正在訓練“精確的”的智能系統，以期創造出在同領域內能力遠超于人類的專業自動化。

我***次知道深度學習系統中使用反饋回路是有效的，是在“梯形網絡”里。梯形網絡在很早之前就被采用了，可以追溯到 2015年7月!(查看：https://arxiv.org/abs/1507.02672v2)下圖為其結構示意。

梯形網絡是上下穿梭計算層的單循環回路，后邊跟了一個***單向通道。這套系統從回路部分搜集信息，它被采用之后展示了非常不錯的收斂數。這在2016年中的一篇論文中有原始研究人員的進一步討論：

標記:無監督深度學習感知分組

如果你將好幾個梯形網絡串在一起就能形成一個大的網絡，它能夠將圖像中的物件分組。

對抗生成網絡(GAN)也有它自己的循環回路，但是在結構中看不出來，而是隱藏在它的訓練當中。GAN的訓練過程中包含了對合作和對抗網絡的訓練，這涉及了一個生成網絡和一個辨別網絡。辨別網絡想方設法將生成網絡生成的數據進行分級;生成網絡則是想方設法尋找欺騙辨別網絡的數據，最終生成器和辨別器的魯棒性都得到了提升。GAN可以說在某種程度上達到了圖靈測試的要求，是當前***的圖片生成模型。

我們基本可以肯定有一種反饋機制，以生成器利用神經網絡(辨別器)生成更智能的結果(例如，更真實的圖形)這一形式而存在。有很多GANs生成真實圖形的案例。無論如何，由于梯形網絡，現在有更新的結構在促使GANs改變。

這些利用了循環的系統也與關于“增量學習”的新研究有關。深度學習系統的缺點之一就是在微調網絡時，用新數據來訓練會摧毀之前它掌握的技能。就是說，網絡會“忘記”過去的學習。由斯坦福開發的一個稱為“反饋網絡”模型結構里，研究人員開發了一種特殊的網絡，可以自我反饋，還能內部迭代顯示。

在一篇更近的發表研究成果(2017年3月)中，加州伯克利大學通過GANs和一種新的正則化方法創造出了圖形之間的轉換，效果驚人。他們把這個系統叫做循環對抗生成網絡(CycleGAN)，并且有了一些了不起的成果：

CycleGAN 能夠實現優異的圖形轉換。如上圖所示，向它輸入繪畫作品可以生成真實的照片。它還可以實現類似語義轉換的功能，如將馬變成斑馬、或將某個季節的圖片變成另外一種季節的樣子。

這種方法的關鍵在于，利用“循環一致的損失”。這種損失確保了這種網絡能夠實現一種單向轉換，之后又能夠通過最小損失實現相反的轉換。也就是說，網絡不僅僅必須學會轉換原始圖片，還得學會反向轉換。

訓練深度學習系統***的難題在于缺乏標記數據。標記數據是控制深度學習模型精確性的源頭。不過，這些開始采用循環回路的新型系統正在解決缺乏監督的問題。這就像有一個永動機在自動憑空造出一些新的標記數據變量，***反過來用更多數據來訓練自己。這種自動化機制讓他們自己和自己進行模擬游戲，“玩”得多了，就能成為這方面的專家。

這就類似于阿爾法狗(AlphaGo)，它也能夠通過自我訓練發展出新的策略。當自動化嵌入了反饋回路，而且能夠模擬(一些人稱之為“想象”)很多不同的情景，還能自測這些情景下的正確性，那么我們就進入了超級科技爆發的臨界點。

而這種井噴式的快速發展所將帶來的科技能量，我們人類文明遠未做好掌握它的準備。所以下次如果你看見一些難以置信的深度學習成果，可以嘗試尋找嵌在算法里的怪圈。

原文： https://www.esmadrid.com/en/whats-on/escher-gaviria-palace

【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文