揭秘深度學習的隱藏層

本文發表在《大眾科學》的前部落格網路中，反映了作者的觀點，不一定代表《大眾科學》的觀點

在最近一篇題為“人工智慧的春天：深度學習的興起”的《大眾科學》文章中，計算機科學家約書亞·本吉奧解釋了為什麼複雜神經網路是實現人們長期以來設想的真正人工智慧的關鍵。讓計算機像人類大腦一樣思考似乎是讓計算機變得像人類一樣聰明的邏輯方法。然而，考慮到我們對大腦功能知之甚少，這項任務似乎有些令人生畏。那麼，深度學習到底是如何工作的呢？

這張由珍·克里斯蒂安森製作的視覺化圖解釋了神經網路的基本結構和功能。

關於支援科學新聞

如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保關於當今世界正在塑造的發現和想法的有影響力的故事的未來。

顯然，這些所謂的“隱藏層”在分解視覺元素以解碼整個影像方面起著關鍵作用。而且我們知道這些層是如何運作的：從輸入到輸出，每一層處理越來越複雜的資訊。但除此之外，隱藏層——正如它們的名字所暗示的那樣——籠罩在神秘之中。

作為最近一個名為Tensor Flow的合作專案的一部分，丹尼爾·斯米爾科夫和尚·卡特建立了一個神經網路遊樂場，旨在透過允許使用者與之互動和實驗來揭開隱藏層的神秘面紗。

這個視覺化工具中有很多內容，我最近有幸在OpenVisConf的專題演講中聽到費爾南達·維加斯和馬丁·瓦滕伯格對其中一些內容進行了分解。（費爾南達和馬丁是 Tensor Flow 背後的團隊成員，Tensor Flow 是一個更復雜、開源的工具，用於在實際應用中使用神經網路。）

神經網路遊樂場並沒有使用像人臉這樣複雜的東西，而是使用散佈在場中的藍色和橙色點來“教”機器如何查詢和回應模式。使用者可以選擇不同複雜程度的點排列，並透過新增新的隱藏層以及每個層內的新神經元來操作學習系統。然後，每次使用者點選“播放”按鈕時，她都可以觀看背景顏色漸變如何變化以逼近藍色和橙色點的排列。隨著模式變得更加複雜，額外的神經元和層可以幫助機器更成功地完成任務。

除了神經元層，機器還有其他有意義的特徵，例如神經元之間的連線。連線以藍色或橙色線出現，藍色是正的——也就是說，每個神經元的輸出與其內容相同——橙色是負的——意味著輸出與每個神經元的值相反。此外，連線線的粗細和不透明度表示每個神經元所做預測的置信度，就像我們的大腦在學習過程中加強連線一樣。

有趣的是，隨著我們在構建機器神經網路方面越來越出色，我們最終可能會揭示關於我們自身大腦如何工作的新資訊。視覺化和操作隱藏層似乎是在使深度學習概念更容易被更廣泛的受眾接受的同時，促進這一過程的好方法。