我为什么建议人人都学机器学习

人工智能，无疑是现在最火的概念，从AlphaGo打败李世石后，全世界掀起了一股人工智能的浪潮。我们在生活中的各个角落，都能感受到一个崭新的奇点时代即将来临

人工智能充气鞋垫

人工智能马桶

(可以随拉屎的心情变换音乐)

OMG！只有我们想不到，没有神奇的人工智能做不到的事情！从脚下的鞋垫到马桶全都装备了人工智能，以后如果人工智能反攻人类，是不是就要光着脚、马桶都不能上了！

然而值得指出的是，现在甚嚣尘上的好几个概念，包括人工智能、机器学习、深度学习和神经网络，其实并不是完全等价的。严格说起来，它们是一个越来越小的关系，

那么问题来了，对于不是学习计算机的业外人士，当有人跟你高谈阔论人工智能时，如何判断他做的到底是机器学习(Machine Learning)还是人工智能(Artificial Intelligence)呢？

这里可以为大家介绍一种简单实用的办法，那就是让他发送一份自己平时的工作截图，如果是类似下图的话，那么就是机器学习（大概率也是深度学习）

而如果是类似下图的

那么正如图中所显示的，他从事的是人工智能。

作为一名名义上从事着属于机器学习那部分人工智能的搬砖工人，在经历了一线的机器学习实习和研究之后，LR深深的为这门学科所感染和打动。所以LR发自肺腑的在此提议：人人都应该学习机器学习，这门学科饱含着超越狭隘的计算机科学的人生哲理与智慧，是每一个当代青年人的必修课。

一

重回艺术殿堂

众所周知，科学和技术，最为人所诟病的，就是那一板一眼的死脑筋。自从科学革命以来，科学便逐渐变得无趣起来，曾经充满美感和神秘色彩的玄学、占星学、炼金术，都被伽利略开创的近代科学碾碎，成为迷信。在现代，所有的研究都需要一个非常严格的流程，在完善而铁板钉钉的理论指导下，经过一套有规律可循的操作，用冰冷的量化来比较效果。整个过程充满了死板和僵硬，缺乏人性和古典智慧的光芒。

而艺术，从上古时代的手工艺陶罐开始，就以它迷人的手艺性闻名。没有一套完整的标准指导你该如何创作《蒙娜丽莎》或是《将进酒》这样的著作，每一个艺术家都有他自己独具一格的创作技巧和风格，这些创作伟大艺术品的技术，都是难以抽象为严格流程的“心法”，以师徒的方式传授。

没错，在机器学习这个领域，你甚至可以在做科研时体会这种传统的艺术创作的感受。艺术得到了复兴，人类古典的经验智慧再次放射出耀眼的光芒。每一个神经网络都有它自己独特的样子和训练技巧，正如每一个瓷器都有自己独一无二的美。在你没有把眼睛点上的时候，你永远也不知道自己的龙画的如何，正如每一次重新调整网络架构时，你也不会知道训练的结果将会怎样、是好是坏，只待你用gpu轻轻的烘烤，去探寻那未知的可能。

图例：一件成功的工艺品

即使偶尔获得了几个很好的艺术品（神经网络），制作它们的过程也至多只能给你带来经验，面对新的数据集和任务，一切依然充满着令人着魔的变数。炼丹有法，丹无定法。那些手艺纯熟的老工艺人们，熟练的调整着特征提取器、卷积层数、训练超参、误差截断、花式扩增等高级的艺术创作技巧，在广阔无垠的可能性空间中游刃有余，就像一位瓷器大师每一下搓揉和旋转一样妙不可言，在创造出一个又一个的精品的同时，引领着一代炼丹师们争相模仿的创作潮流。

而和那些书画的艺术工作者不同，你的作品，可以获得科学的认可，甚至可以发在paper上供世界的炼丹手工艺人观摩，可谓新时代的艺术弄潮儿了。

二

摒弃现代浮躁

更让人兴奋的是，机器学习这个领域，无论是深度学习、强化学习还是别的什么，都能让从事其中的工作者获得灵魂上的沉淀。

现代社会一个最大的特点，就是快节奏的喧嚣和浮躁。不论是短视频、段子还是微博，所有人沉浸在快餐式的文化生活里，并每天都迷失在短平快的物质享受中。而一旦涉及到个人发展和目标时，便都显得急不可耐，诸如“30天改变人生”、“7秒学会读心术”之类的讲座书籍也一度被热捧。

在这个时候，我会推荐得了现代病的年轻人都试一试机器学习。这个领域将会以它最独到的方式，让他们重拾人生慢节奏的笃定和踏实。

为什么呢？

因为机器学习，又被业内人士戏称为“炼丹”，原因就在于它和古代的炼金术一样，将各种基本的材料（数据）和架构（模型）混于一炉，再用炼丹灶——GPU进行计算和训练。GPU运行时温度很高，风扇也转的很响，恰似土灶里丹炉下熊熊燃烧、木柴噼啪炸裂的烈火，给人以某种力量和启迪。

如图为三种炼金术中自然元素符号

第四个为神经网络常用非线性激活函数

最为重要的一点是，炼丹是一个漫长的过程。少则半天，多则两周。GPU极强的算力和高温，同tensorboard上艰难下降的loss函数，形成了某种鲜明的对比。曾听说广东的一些汤头需要用火慢煨慢炖整整十几个小时，食材的味道和营养才能完全浸润到汤里，而厨师在这段时间里却只能静静的等待和控制火候。

这和一位机器学习的研究人士是多么的相似啊！他们小心翼翼的控制着学习率，观察着面板上起起落落或是一行行滚过的实时loss，就像瓦罐里的汤渐渐弥漫出来的幽香，飘进了厨师的鼻子里，给他以汤熬到了什么火候的信息。

一切的急躁、喧嚣、焦灼都无济于事，模型必须缓缓收敛，不为人的意志所转移。

更妙的是，在这个模型训练的时间里，一位炼丹师仍然可以被定义为“处于工作状态”，或通俗来说“在干活”。虽然他们其实在这个过程中正在刷知乎、看抖音、聊天、打游戏或是发呆，但是已经不重要了，他们已经获得了这个浮躁的现代社会中最难得的沉静。

三

领悟人生哲理

一位不愿意透露姓名的LR哲人曾经说过，当机器努力尝试学习人的行为时，人也在学习着机器，从它们的学习中获得经验、教训和灵感。

一个机器学习的标准任务框架是这样的：我们有一个需要完成的任务（目标损失函数或loss），并且有一系列可以供我们使用、训练的数据集（训练集），我们需要设计一个自己处理这个问题的模型（神经网络），它以某种学习方式（优化）来在训练的过程中，努力针对训练数据集达到最小的偏差，而最终目标是真正解决这个任务，也即在从未见过的一般情况（测试集）中取得好的表现。

如果你退一步，从一个更高的角度去看待上面这个过程，会发现这是一个非常万能的模板，它几乎高度概括了我们解决一切问题的过程。从而，当我们看到机器学习的模型发生各种窘况时，也不禁沉思其中的寓意，并获得人生哲理的收获。

LR不才，一点浅见分享在这里：

风物长宜放眼量

打交道最多的，就是训练过程中模型的表现（损失函数loss的大小）随训练时间变化的图像了，它们看起来，通常像这个亚子：

高高低低，起起伏伏，看起来杂乱无章。这实在是因为，每一次喂给神经网络进行学习的，只是偌大数据集中很小的一批（术语为batch），这一批小小的数据里，经常因为随机性，带有着误导的性质。一个模型向着在这一小批数据上表现更好的方向努力学习、改变参数，很有可能会使得在下一批数据时表现的更糟，不同的数据难度有别、模型的参数又极其复杂，所以一个模型在训练时，常常看到它的表现在高低之间来回抖动，非常剧烈。

这实在像极了我们的人生。上帝一直在掷着骰子，我们在每天具体的事情上收益多少、成功与否，都是在测试一小批一小批的数据。我们的表现，既取决于我们真实的实力，也取决于运气的好坏。于是，我们就看到我们表现的loss起起伏伏、高高低低。又抑或，我们在几条不同的人生道路上，来回改变自己的倾向：一会儿理想主义，然后被现实击垮；极度功利务实一段时间之后，却又感受到疲于奔命和迷失，进而让自己重新务虚一些。

但是，如果你退后，把足够长时间、足够大跨度的loss曲线画出来，你最终会看到这样的景象：

浮生却似冰底水，日夜东流人不知。真正的人生走向、能力变化，并不是我们看到的那loss起起伏伏、来回震荡、变化莫测，而是要在足够长的时间跨度下，退后看。那左右的摆动并不重要，真正有意义的变化和提升，发生在这来回摆动之间不为人觉察的某种漂移（SGD里积累的那个动量），就像帆船为了逆风航行来回之字，每次调转方向，才是真正往目的地前往一点点。

所以正如毛主席说的那句一样，“牢骚太盛防肠断，风物长宜放眼量”。何时能够做到对人生宠辱不惊，闲看loss起起落落之时，怕也是一位高人了。

提防世间过拟合

可是别忘了，这只是训练集，是这个世界拿出来、允许你犯错的训练数据，在监督学习(supervise learning)里，这些数据还带着标准答案。如果一切都只是在一个集合上学习，又在同一个集合上测试，那生活就像军理考试或者学业水平测试一样寡然无味了。

练兵千日，用兵一时。真正衡量你表现好坏的，不是你在训练集——也就是平时测试时考你做过的题的分数，而是让你真刀真枪的上高考考场做从来没见过的题目——也就是测试集上的表现。如果一个模型在训练的数据集上表现都不佳（作业都做不对），这种情况就是模型本身能力不够，叫做underfitting欠拟合（智障）。而与之对应的，通俗的解释过拟合——overfitting，就是一个模型在训练集上表现近乎完美（例如主观题和标准答案一字不差标点符号都一模一样），但在从来没有见过的、一般性的测试问题上，却表现的越来越离谱的情况。

你可以想象，随着刷题的过程，下面的三条线是你平时测试的语数英失分，而上面的三条线是真正考试时将会得到的失分。你看似在自己做过的题目里越来越精熟，但是实际上你离解决真正的问题越来越远

这是为什么呢？

事实上，过拟合是机器学习里最值得玩味的概念，其哲学意味十分深远。能够过拟合，首先意味着这个模型的确有认识和表示这样复杂的规律的能力。可是，问题却恰恰出在过度的这种能力上，过拟合的本质，就是错误的把训练数据里那些极其复杂、可能来源于随机噪声和错误偏差的成分，都当做了需要学习的完整规律的一部分。而当这种随机因素在测试中变化时，模型的表现就会非常之差。我们用Pattern Recognition and Machine Learning中的一个例子做说明：

假设那条绿色的曲线所代表的函数，就是我们需要学习的“知识”、“规律”（也即pattern），而我们有的训练数据，就是从不同横坐标下采样得到的函数值（蓝色的点）。我们的任务，就是从这些散点里，推测一个连续的函数出来。其实，隐隐之中我们都能感觉到这个正弦函数的样子，但是你也会注意到，因为现实世界的本质是脏的，所以那些蓝色的点都或多或少距离真正的完美规律有一定的偏差。当我们用次数越来越高的多项式函数，去最小化和这些蓝点的距离时，我们的确可以获得越来越好的结果（红色为我们的模型）

可是，过拟合，就是当这个模型的能力太强（就像这个多项式的次数太高）时，这条曲线完美的经过了所有的点，它自以为在训练的世界里做的完美无缺，却殊不知，因为把随机的干扰和选点数量的局限当做自己全部的世界，它距离真正的规律已经太远太远

所以你会突然对很多事情感到顿悟。

为什么许多尖子生在高三的大大小小的考试里，表现的都那么突出，却在真正高考时马失前蹄？

因为他把模拟题的太多偏差因素、老师出题的倾向和不完美的细节，都当做了出题做题的规律记忆下来，因此在高考这个测试集上表现很差。

为什么有许多油腻的中老年人，倚老卖老，口中一套套他们自以为是的人生观和世界观？

因为在他们有限的人生取样里，只有那几个可怜的点，却总想用这些勾画出整个世界：因为自己的大意导致的挫折就让他们总结为社会不公，看到几个碰瓷的老人就感叹人心不古，自己的工作领域带着些圆滑世故、吃过了几次亏，就教诲年轻人说世道浇漓、明哲保身……皆是如此。

如果你看看那个完美经过九个点的函数的系数有多么离谱，你就知道那些对人生过拟合的人，他们理解的所谓规律其实多么可笑：

如果你深入体会了上面我所说的，你就会知道，过拟合，这个“因为对这个世界的无知而把一切细节和偏差当做规律”的行为，就像下图这位穿越的古代老哥一样，只能在面对测试集（取款机）时发出一句“你大爷的”咒骂。

应对过拟合的方法，叫“正则化”，也即控制你模型的复杂程度。机器学习教会我们认识到，大道至简，一个真正的知识或规律，往往并不需要那么复杂的表示形式，就像那个多项式不会需要上百万的系数去拟合区区一个正弦函数。同样的，真正的规律在现实世界中，不可能完美的解释一切事情，因为噪声和偏差随时存在，你要在训练自己的模型中拥有无视和容忍训练集偏差的意识。因为一个完美解释了一切数据的模型，一定是过拟合，正如一个完美解释了一切历史事件的理论框架，一定充满了想象的意淫。

四

坐观风云际会

如今人工智能和深度学习的火热，不能不让人联想到二十一世纪初期的互联网热潮。当计算机重新成为了高考志愿的第一宠儿，整个社会都在津津有味的谈论着人工智能将会如何改变世界，一如当年互联网黄页引发的资本涌入的浪潮。

本质基于数据插值和统计推断的机器学习，使得以往诸多困难的问题得到了一个较为通用的解法。而且，当设计得当时，这些方法相较于传统的数值解法具有更好的推广性质。硬件行业，并行运算设备的计算速度与存储量的大力提升，也使得以往无法落实的算法成为可能。这便是本质上这波人工智能浪潮火热的原因。很多鼓吹者说机器学习将会是新时代的电力，其教育要从娃娃抓起。

可是，这帮壮志踌躇的人不知道有没有忘记，当年的网景、Pets.com、Priceline和成千上万的黄页，也是这么兴致勃勃的憧憬未来的互联网世纪。每一家互联网公司都在谈论着要改变世界，用全新的互联网技术、互联网思维去实现全新的商业模式，达到更高的商业效率。

就像今天的机器学习和人工智能一样，每一家科技公司都在谈如何用深度学习实现彻底的革新。

然而，当时的各大投资机构其实早就知道，在光纤等基础设施没有完全普及、互联网速度也亟待提升的情况下，互联网行业的真正发展，远没有投资者和创业者向公众宣传的那么迫近和美好。用大量的资金换取流量，争取到投资人的融资就立刻走人，或是股票价格日益走高吸引大量散（jiu）户(cai)入场投钱之后，就偷偷撤走自己的资金，套走几十倍的收益。整个互联网行业的股市也迎来跳水断崖，资本市场一片断壁残垣、尸横遍野。

熟悉吗？马克吐温说，历史不会重演，但是总会押韵。

直到2015年，标志互联网行业发展规模的纳斯达克指数，才真正结结实实的来到了2000年的泡沫顶端。现在的网络商业和技术，才真正完成了当年许诺的规模和发展。

所以，看看如今机器学习真正的技术水平，一个图片改了一点点像素，就完全能够把鸭子当成马的神经网络，真的有那些资本公司吹嘘的如此先进吗？

但是这无妨。虽然你不会最后真正以机器学习乃至人工智能为业，但是，了解其中的知识，会让你看这一轮新的时代大戏更加内行。一场全新的风云际会正在上演，而你可以成为这其中的亲历者。

乱烘烘，你方唱罢我登场。

甚荒唐，反认他乡是故乡。

只留了白茫茫大地真干净。

作者 | AI开发者

版权声明

本文版权归《AI开发者》，转载请自行联系

长按二维码了解CCAI 2019大会信息

历史文章推荐

你正在看吗？👇