通過吉姆哈里森

我試圖想出一個不能利用機器學(xué)習(xí)的電子系統(tǒng)。一些非常小的系統(tǒng)——是的，當然。對于某些系統(tǒng)，這可能不值得麻煩，但對于所有設(shè)計項目的很大一部分，機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)（和 TensorFlow）可以提供很大的增強。

之前，谷歌開放了其內(nèi)部機器學(xué)習(xí)軟件 TensorFlow，使支持其翻譯服務(wù)和照片分析（以及許多其他功能）?的程序開源并免費下載。最近，該公司發(fā)布了該軟件的分布式版本，允許它在多臺機器上運行?——一次最多數(shù)百臺。

從神經(jīng)開始

神經(jīng)網(wǎng)絡(luò)是一種用于構(gòu)建從數(shù)據(jù)中學(xué)習(xí)的計算機程序的技術(shù)。它非常松散地基于我們認為人類大腦的工作方式。首先，一組軟件“神經(jīng)元”被創(chuàng)建并連接在一起，允許它們相互發(fā)送消息。接下來，網(wǎng)絡(luò)被要求解決一個問題，它試圖一遍又一遍地解決這個問題，每次都會加強導(dǎo)致成功的聯(lián)系并減少導(dǎo)致失敗的聯(lián)系。

機器學(xué)習(xí)

機器學(xué)習(xí)軟件只有通過分析大量數(shù)據(jù)才能變得聰明——例如，尋找照片中的面部特征等共同屬性和趨勢。如果你想讓計算機學(xué)習(xí)一些東西，你會使用傳統(tǒng)的編程，給它一套非常精確的規(guī)則。說你想讓它煮意大利面。在廚房櫥柜中找到合適的鍋可能需要 50 或 100 條規(guī)則，而要找到爐子和正確的燃燒器等則需要更多規(guī)則。通過機器學(xué)習(xí)，您將向網(wǎng)絡(luò)展示 10,000 個某人烹飪的視頻意大利面——可能在同一個廚房里，也可能不在。

近年來，其他公司和研究人員在人工智能領(lǐng)域也取得了長足的進步，包括Facebook、?微軟和Twitter。有些已經(jīng)開源了類似于 TensorFlow 的軟件。這包括Torch ?（最初由瑞士研究人員構(gòu)建的系統(tǒng)）以及?Caffe?和?Theano等系統(tǒng)。但是TensorFlow很重要。那是因為谷歌的人工智能引擎被一些人認為是世界上最先進的。

谷歌并沒有泄露它所有的秘密。目前，該公司只是開源了這個人工智能引擎的一部分。它僅共享在引擎上運行的一些算法。它并沒有共享對驅(qū)動這個引擎的非常先進的硬件基礎(chǔ)設(shè)施的訪問。但谷歌至少放棄了一些最重要的數(shù)據(jù)中心軟件。

那么它到底是什么？

TensorFlow 是一個開源軟件庫，用于使用數(shù)據(jù)流圖進行數(shù)值計算。圖中的節(jié)點表示數(shù)學(xué)運算，而圖邊表示它們之間通信的多維數(shù)據(jù)數(shù)組（張量）。靈活的架構(gòu)允許您使用單個 API 將計算部署到桌面、服務(wù)器或移動設(shè)備中的一個或多個 CPU 或 GPU。TensorFlow 最初是由谷歌機器智能研究組織內(nèi)的谷歌大腦團隊的研究人員和工程師開發(fā)的，目的是進行機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)研究，但該系統(tǒng)足夠通用，可以適用于廣泛的其他領(lǐng)域，例如出色地。請參閱www.tensorflow.org和Github以及此視頻了解更多信息。

什么是數(shù)據(jù)流圖？

數(shù)據(jù)流圖用節(jié)點和邊的有向圖描述數(shù)學(xué)計算。節(jié)點通常實現(xiàn)數(shù)學(xué)運算，但也可以表示端點以輸入數(shù)據(jù)、推出結(jié)果或讀/寫持久變量。邊描述節(jié)點之間的輸入/輸出關(guān)系。這些數(shù)據(jù)邊攜帶動態(tài)大小的多維數(shù)據(jù)數(shù)組或張量。通過圖的張量流是 TensorFlow 得名的地方。一旦其傳入邊緣上的所有張量都可用，節(jié)點將被分配給計算設(shè)備并異步并行執(zhí)行。

仍有很多限制

因此，基本上，您向神經(jīng)網(wǎng)絡(luò)提供大量數(shù)據(jù)，它們會學(xué)習(xí)執(zhí)行任務(wù)。給他們喂食無數(shù)早餐、午餐和晚餐的照片，他們就能學(xué)會識別一頓飯。喂網(wǎng)絡(luò)口語，他們可以學(xué)會識別你說的話。喂他們一些老電影對話，他們可以學(xué)會進行對話——不是完美的對話，而是相當不錯的對話。GPU 擅長并行處理大量小數(shù)據(jù)，而這正是深度學(xué)習(xí)所需要的。

然而，雖然深度學(xué)習(xí)已被證明擅長涉及語音和圖像識別的任務(wù)，但它也有很多局限性。大多數(shù)問題的答案都很好，但不是很好。優(yōu)秀是非常非常難以達到的。深度學(xué)習(xí)技術(shù)的智能是狹隘而僵硬的。正如認知心理學(xué)家 Gary Marcus 在《紐約客》中所寫，流行的方法“缺乏表示因果關(guān)系的方法（例如疾病及其癥狀之間的關(guān)系），并且在獲取諸如‘兄弟姐妹’或‘相同’等抽象概念方面面臨挑戰(zhàn)。它們沒有明顯的邏輯推理方式，而且距離整合抽象知識還有很長的路要走，比如關(guān)于對象是什么、它們的用途以及它們通常如何使用的信息?！?換句話說，他們沒有任何常識。

審核編輯 黃昊宇