揭秘深度学习的隐藏层

本文发表在《大众科学》的前博客网络中，反映了作者的观点，不一定代表《大众科学》的观点

在最近一篇题为“人工智能的春天：深度学习的兴起”的《大众科学》文章中，计算机科学家约书亚·本吉奥解释了为什么复杂神经网络是实现人们长期以来设想的真正人工智能的关键。让计算机像人类大脑一样思考似乎是让计算机变得像人类一样聪明的逻辑方法。然而，考虑到我们对大脑功能知之甚少，这项任务似乎有些令人生畏。那么，深度学习到底是如何工作的呢？

这张由珍·克里斯蒂安森制作的可视化图解释了神经网络的基本结构和功能。

关于支持科学新闻

如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保关于当今世界正在塑造的发现和想法的有影响力的故事的未来。

显然，这些所谓的“隐藏层”在分解视觉元素以解码整个图像方面起着关键作用。而且我们知道这些层是如何运作的：从输入到输出，每一层处理越来越复杂的信息。但除此之外，隐藏层——正如它们的名字所暗示的那样——笼罩在神秘之中。

作为最近一个名为Tensor Flow的合作项目的一部分，丹尼尔·斯米尔科夫和尚·卡特创建了一个神经网络游乐场，旨在通过允许用户与之交互和实验来揭开隐藏层的神秘面纱。

这个可视化工具中有很多内容，我最近有幸在OpenVisConf的专题演讲中听到费尔南达·维加斯和马丁·瓦滕伯格对其中一些内容进行了分解。（费尔南达和马丁是 Tensor Flow 背后的团队成员，Tensor Flow 是一个更复杂、开源的工具，用于在实际应用中使用神经网络。）

神经网络游乐场并没有使用像人脸这样复杂的东西，而是使用散布在场中的蓝色和橙色点来“教”机器如何查找和回应模式。用户可以选择不同复杂程度的点排列，并通过添加新的隐藏层以及每个层内的新神经元来操作学习系统。然后，每次用户点击“播放”按钮时，她都可以观看背景颜色渐变如何变化以逼近蓝色和橙色点的排列。随着模式变得更加复杂，额外的神经元和层可以帮助机器更成功地完成任务。

除了神经元层，机器还有其他有意义的特征，例如神经元之间的连接。连接以蓝色或橙色线出现，蓝色是正的——也就是说，每个神经元的输出与其内容相同——橙色是负的——意味着输出与每个神经元的值相反。此外，连接线的粗细和不透明度表示每个神经元所做预测的置信度，就像我们的大脑在学习过程中加强连接一样。

有趣的是，随着我们在构建机器神经网络方面越来越出色，我们最终可能会揭示关于我们自身大脑如何工作的新信息。可视化和操作隐藏层似乎是在使深度学习概念更容易被更广泛的受众接受的同时，促进这一过程的好方法。