时下火热的wGAN将变革深度学习？这得从源头讲起

正文

请到「今天看啥」查看全文

我在UIUC上“模拟信号与系统”课程的时候，教授在一开始就信誓旦旦的说：“这个课程将是你们上的最重要的课程，抽象是工程里面最重要的概念。”

康奈尔大学的课程里面也有“解决复杂问题的方法就是抽象，也就是隐藏细节信息。抽象屏蔽掉无用的细节。为了设计一个复杂系统，你必须找出哪些是你想暴露给其他人的，哪些是你想隐藏起来的。暴露给其他人的部分，其他人可以进行设计。暴露的部分就是抽象。”

深度神经网络中的每层就是数据的抽象表示，层和层之间有依赖关系，最终形成一个层次结构。每一层都是上一层的一个更高级的抽象。给定一组原始数据和要解决的问题，然后定义一个目标函数来评估网络输出的答案，最终神经网络就能通过学习到一个最优的解。

因此，特征是神经网络自己学习得来的。但是在传统的机器学习中，特征和算法都是人工定义的。

现在的数据的特征、结构、模式都是网络自我学习的，而不是像传统机器学习那样人工定义。所以以前无法实现的AI的算法现在可行了，并且在某些方面超过了人类。

从深度学习到深度对抗学习

很多年前，我学习过拳击。我的拳击教练不让新手问问题，说新手不知道问什么问题，连问的问题都是错误的，会得到没用的答案，会专注于错误的东西，越学越错。

Robert Half说过“会问问题和会解题一样，都需要一定的水平”

对抗学习的奇妙之处在于所有的东西都是从数据中学习得到的，包括要解决的问题，最终的答案以及评估答案的标准—目标函数。传统的深度学习中，是由人来决定要解决什么问题，人来决定用什么目标函数做评估。

Deep‘ Mind公司用AlphaGo证明了深度对抗学习的厉害之处。在围棋比赛中，AlphaGo可以自己创造新的下法和招数。这开创了围棋的新纪元，突破了过去几千年的一个瓶颈，达到了新的高度。AlphaGo能做到这点是因为它能自己给自己打分，可以随时计算当前的局势的分数，而不用预先人工定义和预编程。这样，AlphaGo自己和自己下了几百万局的比赛。听起来很像对抗学习吧？

请到「今天看啥」查看全文