深度学习的最新进展及诺亚方舟实验室的研究

图1 从历史角度看深度学习与其他机器学习技术的关系

深度学习本质是复杂的非线性模型的学习，从机器学习的发展史来看，深度学习的兴起代表着机器学习技术的自然演进。1957年，Rosenblatt提出了感知机模型（Perceptron），是线性模型，可以看作是两层的神经网络；1986年，Rumelhart等开发了后向传播算法（Back Propagation），用于三层的神经网络，代表着简单的非线性模型；1995年，Vapnik等发明了支持向量机（Support Vector Machines），RBF核支持向量机等价于三层的神经网络，也是一种简单的非线性模型。2006年以后的深度学习实际使用多于三层的神经网络，又被称为深度神经网络，是复杂的非线性模型（见图1）。深度神经网络还有若干个变种，如卷积神经网络（Convolutional Neural Network）、循环神经网络（Recurrent Neural Network）。

本文首先回答关于深度学习的几个常见问题，介绍深度学习研究的最新进展，特别是一些代表性工作，同时概述我们的深度学习与自然语言处理的工作，最后总结深度学习的未来发展趋势。

关于深度学习的几个常见问题

这里尝试回答三个关于深度学习的常见问题。深度学习为什么很强大？深度学习是否是万能的？深度学习与人的大脑有什么关系？

深度学习为什么很强大？

深度神经网络实际是复杂的非线性模型，拥有复杂的结构和大量的参数，有非常强的表示能力，特别适合于复杂的模式识别问题。

图2所示是一个简单的神经网络的例子，可以表示布尔函数XNOR，这个模型可以做简单的非线性分类。这是说明三层神经网络拥有非线性分类能力的著名例子。一般地，随着神经网络的层数增大，神经元数增大，其处理复杂的非线性问题的能力也随之增大。

图2  XNOR神经网络

图3  被称为Alex Net的神经网络

图3所示的是被称为Alex Net的神经网络[2]，是一个卷积神经网络，有11层，65万个神经元，6千万个参数。这个模型在2012年的ImageNet比赛中取得了第一名的好成绩，前五准确率是85%，远远高出第二名。这也是证明深度学习非常有效的著名实例。该任务是将120万张图片分到1千个类别中，对人也有一定的挑战，可以看出深度神经网络能实现很强的图片检测能力。

图4  和-积神经网络

深度学习的特点是深层的神经网络学习，网络层数多，有着本质重要的意义，体现在有更好的统计效率（statistical efficiency）上。

图4所示的是一个4层的和-积神经网络，神经元表示逻辑和、或者逻辑积，整个网络对应着一个逻辑表示式。可以把这个神经网络“压扁”，成为3层的神经网络，相当于把逻辑表达式展开。两个神经网络的表达能力是等价的，但浅层神经网络有更多的神经元，更多的参数。我们知道参数多的模型通常需要更多的数据训练。所以，深层神经网络只需要更少的数据就可以训练好，也就是说，有更好的统计效率。注意，当把深层神经网络压扁的时候，得到的浅层神经网络的参数个数是指数性增加的，虽然表示能力相同，但现实中是不可能学到的。这个结论对一般的神经网络也适用。

非常有趣的是，人的大脑也拥有多层的串联结构（cascaded structure），也就是深层神经网络结构。从Hubel和Wiesel的、以及之后的神经科学研究结果可以看出，人之所以能够做复杂的信息处理，与这种结构有很大关系。

深度学习是否是万能的？

深度学习不是万能的。首先，深度学习不适合所有问题。如果问题简单，比如线性问题和简单的非线性问题，深度学习至多是与支持向量机等有同等的准确率。如果学习陷入局部最优，可能还不如其他方法。本质上这相当于杀鸡用牛刀。

另外，如果训练数据量不够大，深度神经网络不能得到充分学习，效果也不会很好。这时深度学习这匹“千里马”，也只能是“虽有千里之能，食不饱，力不足，才美不外见”。

再有，理论上深度学习也不是万能的。著名的“没有免费的午餐”定理说明了这一点。该定理指出，针对任意两个机器学习方法：方法一和方法二，如果存在一个问题，方法一比方法二学到的模型预测精度高，那么一定存在另一个问题，方法二比方法一学到的模型预测精度高。这个定理实际在说，没有任何一个方法可以包打天下。注意这里只保证后种情况是存在的，并没有涉及其可能性有更大。所以，在平均意义下学习方法的优劣还是有的，至少经验性上是这样。

这个定理的一个推论就是，深度学习不是万能的，至少理论上存在一些问题，其他方法比深度学习能做得更好，尽管有时可能碰到这种情况的概率不高。

深度学习与人的大脑有什么关系？

历史上，人工神经网络的发明，在一定程度上受到了人脑信息处理机制的启发。但是，人工神经网络，包括深度神经网络，本质上还是机器学习模型。

首先，我们对人脑的了解还非常有限。撇开物质层面上的不同（人脑是生物系统，计算机是电子系统），把两者都当作信息处理系统（比如，诺依曼就把计算机和人脑都看作是不同的automata——自动机），我们仍能看到它们之间的许多相同点和不同点。

相同点如下。人工神经网络中的节点和链接，对应着人脑的神经元（neuron）和突触（synapse），有时我们直接把它们叫作神经元和突触。人工神经网络的架构，比如，卷积神经网络的架构借鉴了人脑的信息处理机制，包括串联结构（cascaded structure），局部感受野（local receptive field）。人工神经网络中，模拟信号和数字信号交互出现（如XNOR网络），这与人脑的神经网络有相似之处。

不同点也很明显。人工神经网络的学习算法通常是后向转播算法，是一个减少训练误差驱动的，需要多次迭代的，网络参数学习的优化算法，这与人脑的学习机制可能有本质的不同。深度神经网络本质是数学模型，比如，卷积神经网络采用卷积（convolution）与最大池化（max pooling）操作，以达到进行图像识别时不受图片的平移与旋转的影响的效果，这些操作本质是数学函数，与人脑的处理有什么关系并不清楚。最重要的是，深度学习的目的是在具体任务上提升预测准确率，不是模拟人脑的功能。

深度学习的最新进展

深度学习是2006年诞生的，但是其真正的兴起，或者说重大影响工作的出现，是在2012年之后，比如，Krizhevsky等用深度学习大幅度提高了图片分类的准确率，也就是Alex Net的工作[2]；Dahl等大幅度提升了语音识别的准确率[3]。

以上的深度学习工作代表着强大的分类和回归模型的学习和使用，可以认为是传统的支持向量机的发展和提升。下面介绍四个深度学习的工作，从概念上有了重要的创新。

通常的深度学习方法都是监督学习，Le等提出了一个非监督的深度学习方法[4]，可以从大量未标注图片数据中，学习到识别图片中概念的神经元，比如，能检测到猫的概念的神经元。整个神经网络有9层，重复三次同样的处理，每次处理包含过滤、池化、规一化操作，由3层神经网络实现。学习是通过自动编码与解码实现，通过这个过程，自动学习到数据中存在的模型（概念）。这个工作的另一个特点是大规模并行化。神经网络模型有100亿个参数，用1000万张图片在1000台机器上训练三天得到。监督学习需要使用标注数据，往往成本很高，有时很难得到大量训练数据；另一方面人的学习有很多是非监督的。所以，这个工作让人们看到了深度学习未来发展的一个新方向。

Mnih等将深度学习技术用到了强化学习[5]。强化学习适合于主体在与环境进行交互的过程中自动学习选择最佳策略、采取最佳行动的问题。Mnih等利用强化学习构建了一个系统，可以自动学习打电脑游戏，而强化学习的核心由深度学习实现。在Atari游戏机上，这个系统可以比人类的玩家学得更快，打得更好。具体地、强化学习是Q-learning，其中Q函数由一个卷积神经网络表示，状态表示电脑游戏的画面等环境，动作是游戏的操作，奖励是游戏的分数。这里的核心思想是用参数化的神经网络来表示Q函数，比起传统的用线性模型的方法，准确率由大幅度提高。这个工作将深度学习的应用扩展出一个新的领域。

另一个工作是Graves等提出的神经图灵机（Neural Turing Machine，NTM）[6]，一种新的基于深度学习的计算机架构。深度学习通常用在预测、分析问题上，这里作者提出将它用到计算机的控制上。计算机的一个重要功能是在外部记忆（external memory）上进行读写操作，从而拥有极大的信息处理能力。NTM这种计算机，也使用外部记忆，其特点是假设外部记忆的控制器是基于多层神经网络的，这样在外部记忆上的读写，就不是确定性的，而是依赖输入输出，非确定性的。Graves等证明NTM可以从数据中学习到外部记忆控制，执行“复制”、“排序”等操作。将深度学习用于计算机的存储控制，确有让人耳目一新的感觉。

Weston等人提出了记忆网络（Memory Network，MemNN）模型，可以做简单的问答，如图5所示[7]。虽然在回答需要相对复杂推理的问题时MemNN的精度还不理想，但是这个工作让深度学习技术延伸到问答、推理等传统人工智能的问题上，受到广泛关注。MemNN模型的特点如下，有一个长期记忆（Long Term Memory），可以存储一系列中间语义表示，给定输入的一句话，系统将其转换为中间表示，更新长期记忆的状态（如加入新的中间表示），产生一个新的表示，最后产生输出的一个回答。

图5 记忆网络能做的简单问答例

诺亚方舟实验室的深度学习研究

诺亚方舟实验室在进行自然语言处理与深度学习的研究，目标是构建更好的机器翻译、自然语言对话系统。最近在相关研究中取得了一定的成果，也得到了业界同行的肯定。下面介绍几个代表性的工作，并总结其主要结论。

自然语言对话是人工智能最具挑战的问题之一，现在有许多实用的对话系统，如苹果Siri，能够与人做简单的对话，完成一些简单的任务，比如问天气、查股票，但是现在的对话系统距离与人进行自由对话的理想还差得很远，今后需要不断开发更先进的对话技术。当前的技术主要是能进行单轮对话，如果能做多轮对话也是在单轮对话的基础上加一些简单处理。单轮对话技术又分为基于规则的、和基于数据的，据我们所知，现在的系统都是基于这两种方式。诺亚方舟实验室的主要贡献是，系统地研究了基于数据的单轮对话系统，用深度学习开发出了业界最先进的技术。提出了多个深度学习模型[8,9,10]，其中的神经应答机（Neural Responding Machine），是业界第一个基于深度学习的单轮对话生成模型[10]。人给出一句话，这个系统能自动产生一句回复，整个系统完全是由大规模对话数据自动构建，核心是循环神经网络模型。这个系统能生成让人惊叹的回复，对话的成功率也比已有的基于翻译模型的系统有大幅度的提升。我们的对话研究，现在重点转移到了多轮对话、知识使用、简单推理等几个方面。

机器翻译可以帮助人类克服语言障碍，是自然语言处理的主要应用。机器翻译的主流现在依然是统计机器翻译（Statistical Machine Translation, SMT），特别是采用词语级的翻译方式（phrase-based）。近年来，有不少学者尝试将深度学习技术与SMT结合，比如，BBN的学者发现，用深度模型实现源语言与目标语言的联合模型，并将这个模型作为SMT 模型的一个特征使用，可以提升SMT的准确度。沿着这个思路，我们也提出了两个卷积神经网络模型[11,12,13]，作为源语言与目标语言的联合模型以及目标语言的语言模型，并将它们用为SMT模型的特征，整体将BLEU分数提高了两个点。另一个更加大胆也是被寄予厚望的方向，是完全用深度学习实现机器翻译系统，称为神经机器翻译（neural machine translation, NMT），已取得了初步的成果，达到与SMT持平的好结果。比如，蒙特利尔大学的学者提出了基于循环神经网络的系统RNNSearch。其基本想法是用RNN将源语言的句子转换成中间表示，再用另一个RNN将中间表示转换为目标语言的句子，另外，他们还导入注意力（attention）的机制，能进一步提高翻译的准确率。我们也在进行NMT的研究，提出了深度记忆（DeepMemory，DM）模型[14]。DM将源语言的句子通过一系列非线性变换，转换成中间表示，再转换成目标语言的句子。受神经图灵机的启发，DM将中间表示分别存放在不同记忆中，通过神经网络控制对记忆的读写操作，从而实现各种复杂的中间变换，如顺序的调换，适合于相远语言之间的翻译。DM在中英翻译上达到了单模型与SMT的标杆系统Moses同等的水平。

以上是应用，用于自然语言处理的深度学习基本技术方面，我们也做了一定的深入研究，取得了领先的成果。诺亚方舟实验室的主要贡献包括，提出了用卷积神经网络（CNN）模型表示语句语义，应用在自动问答、单轮对话、图片搜索、机器翻译、情感分析上，大幅度提升了所有这些任务的准确率[8,11,12,13,15,16]；在几个任务上系统地比较了CNN与RNN（循环神经网络）的关系，得出了CNN更适合于语言的匹配（matching），RNN更适合于语言的转换（translation）的结论。事实上，CNN是自然语言处理的强有力工具。它对句子进行扫描，抽取特征，选择特征，最后组合成句子的语义表示。它的特点是不需要进行句法分析，特征抽取与选择更具有鲁棒性；从语句的整体出发进行特征抽取与选择，更适合于整个语句的匹配（不需生成语句），如问答中的问句与回答的匹配。

深度学习的未来发展趋势

深度学习的领军人物LeCun, Bengio & Hinton在《自然》杂志上是 这样预见深度学习的未来发展趋势的[17] ：首先，虽然最近非监督学习被监督学习抢去了风头，但是长期来看，仍然是更为重要的问题；在计算机视觉领域，结合多种模型，如深度学习与强化学习，构建端到端的系统，可能会实现更加接近人的识别机制；自然语言处理将是深度学习今后大显身手，取得重大突破的领域，能够更好地“理解”语句与篇章语义的系统将会出现；最后，深度学习与符号人工智能的结合，将给人工智能领域带来革命性的变化。

深度学习确实为人工智能、计算机科学开启了一片新天地，展望未来，的确让人感到无比兴奋，基于深度学习及其他相关技术，我们确实有可能让计算机更接近人，让一些在科幻电影、科幻小说中的虚构成为现实。

参考文献

1. Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504-507.
2. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
3. Dahl, G. E., Yu, D., Deng, L., & Acero, A. (2012). Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition. Audio, Speech, and Language Processing, IEEE Transactions on, 20(1), 30-42.
4. Le, Q. V. (2013, May). Building high-level features using large scale unsupervised learning. In Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International Conference on (pp. 8595-8598). IEEE.
5. Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., & Riedmiller, M. (2013). Playing atari with deep reinforcement learning. arXiv preprint arXiv:1312.5602.
6. Graves, A., Wayne, G., & Danihelka, I. (2014). Neural Turing Machines. arXiv preprint arXiv:1410.5401.
7. Weston, J., Chopra, S., & Bordes, A. (2014). Memory networks. arXiv preprint arXiv:1410.3916.
8. Baotian Hu, Zhengdong Lu, Hang Li, Qingcai Chen. Convolutional Neural Network Architectures for Matching Natural Language Sentences. NIPS'14, 2042-2050, 2014.
9. Mingxuan Wang, Zhengdong Lu, Hang Li, Qun Liu. Syntax-based Deep Matching of Short Texts. IJCAI’15, 2015.
10. Lifeng Shang, Zhengdong Lu, Hang Li. Neural Responding Machine for Short Text Conversation. ACL-IJCNLP'15, 2015. 
11. Fandong Meng, Zhengdong Lu, Mingxuan Wang, Hang Li, Wenbin Jiang, Qun Liu. Encoding Source Language with Convolutional Neural Network for Machine Translation.  ACL-IJCNLP'15, 20-30, 2015.
12. Baotian Hu, Zhaopeng Tu, Zhengdong Lu, Hang Li, Qingcai Chen. Context-Dependent Translation Selection Using Convolutional Neural Network. ACL-IJCNLP'15, 536-541, 2015. 
13. Mingxuan Wang, Zhengdong Lu, Hang Li, Wenbin Jiang, Qun Liu. GenCNN: A Convolutional Architecture for Word Sequence Prediction. ACL-IJCNLP'15, 1567-1576, 2015.
14. Fandong Meng, Zhengdong Lu, Zhaopeng Tu, Hang Li, Qun Liu. A Deep Memory based Architecture for Sequence-to-Sequence Learning, arXiv:1506.06442, 2015.
15. Lin Ma, Zhengodng Lu, Lifeng Shang, Hang Li . Multimodal Convolutional Neural Networks for Matching Image and Sentence, ICCV’15, 2015.
16. Han Zhao, Zhengdong Lu, Pascal Poupart, Self-Adaptive Hierarchical Sentence Model. IJCAI 2015: 4069-4076, 2015.
17. LeCun, Yann, Yoshua Bengio, & Geoffrey Hinton  (2015). Deep Learning. Nature 521.7553: 436-444.

作者简介

吕正东，华为技术有限公司诺亚方舟实验室资深研究员。西安邮电学院毕业，俄勒冈健康与科学大学博士。曾任微软亚洲研究院副研究员。研究方向包括机器学习、数据挖掘及自然语言处理。

李航，华为技术有限公司诺亚方舟实验室主任。日本京都大学电气工程系毕业，日本东京大学计算机科学博士。曾就职于日本NEC公司中央研究所，任研究员，以及微软亚洲研究院，任高级研究员与主任研究员。研究方向包括信息检索、自然语言处理、统计机器学习及数据挖掘。（责编/周建丁）

本文为ImapBox原创文章，未经允许不得转载，如需转载请联系market#csdn.net(#换成@)