静园5号院前沿讲座 | 听John Hopcroft教授畅谈AI与深度学习

关键词：静园5号院 前沿讲座 John Hopcroft

编者按

2019年1月19日，北京大学前沿计算研究中心“静园5号院前沿系列讲座”正式开启。第一讲邀请图灵奖获得者、中国科学院外籍院士、北京大学前沿计算研究中心主任John Hopcroft教授作了题为“An Introduction to AI and Deep Learning”的特邀报告。报告由中心执行主任陈宝权教授主持，听众包括北大信息科学技术学院、数学科学学院、生命科学学院、元培学院等院系，以及清华大学、中国人民大学、台湾大学等高校的师生以及工业界科研人员。

陈宝权教授主持报告

众所周知，人工智能作为信息革命的重要驱动力，正在逐步改变我们的生活。从门禁系统的人脸识别到购物网站的个性化推荐，从智能音箱到游戏AI，从自动驾驶车到智能客服，人工智能渗透到了我们生活的方方面面。机器学习作为人工智能的重要分支，无论是数据模式的识别还是逻辑的推断，都具有强大的威力。而深度学习是机器学习中独特而重要的一环，是近年来真正将人工智能推向大规模应用的支柱。在这样的背景下，John Hopcroft教授精简地概括近年来机器学习方法的主要思路，引导师生们去思考有趣且重要的研究问题，对于培养大家的学术素养大有裨益。

John Hopcroft教授报告现场

Hopcroft教授先简单介绍了一种传统的机器学习方法——支持向量机（SVM）。他从线性分类器出发，引导大家将向量投影到高维空间中以便解决非线性的分类问题，由此引出了核函数（Kernel）。但是如何选择合适的核函数来提取原始数据的特征呢？传统的方法需要大量的经验和领域专家知识，深度学习提供了另外一种思路：让分类器自己来学习如何提取特征。

说起深度学习的出现，就不得不提ImageNet目标检测比赛和卷积神经网络（CNN）。2012年，卷积神经网络Alexnet一骑绝尘，将识别错误率从25%降低到15%，正式拉开了深度学习走向应用的序幕。卷积神经网络类似人眼对物体的识别过程，使用卷积核对图片“扫描”，每次得出一小块图片的特征，然后一层一层抽象。前几层可能抽取的是图像中物体的边、拐角，接着几层可能是眼睛、耳朵，最后抽取的是更高维的人脸、猫、狗的表示（Representation）。提特征之后接一层Softmax用于分类，就组成了一个简单的卷积神经网络。

我们可以把神经网络提取到的表示作进一步研究，将神经网络隐层的输出向量称为激活向量（Activation vector），那么我们可以反过来想一个问题：可以用哪些图片得到相似的激活向量呢？

我们可以先从随机生成的图片出发，目标是使得神经网络的表示尽可能相似，逐步优化我们的图片生成器。

如果还有一张风格的图片作为输入，那么就可以做更多有意思的事情。比如，把康奈尔大学的校园照片变成水墨风格！

Hopcroft教授接着讲到如何更好地训练神经网络。他用一系列直观的示意图，向我们阐释了神经网络训练中的各种原理。例如，神经网络的非线性会导致它陷入局部最优，那么为什么对权重不太敏感的局部最优要比敏感的好？为什么随机梯度下降要比全批量的梯度下降的结果好？还有，如果训练两个任务，那么应该依次进行还是把它们揉在一起？

Hopcroft教授同时也指出，人工智能在现阶段不应该被滥用，不能因为它比较流行就想把所有问题都用它来解决。事实上，很多问题只需要计算资源和大量数据。

报告结束后，在座听众就强化学习、深度学习近些年的发展、教育等问题向Hopcroft教授踊跃提问，教授耐心地一一回答。

值得一提的是，Hopcroft教授在下午航班即将返回美国的情况下，依然坚持留出午餐的时间，和图灵班的同学们交流，了解大家的学习情况，认真听取同学们对于学习、生活方面的各种反馈。正如中心一位老师的评价“He loves you guys”，爱在每一个亲切和蔼的笑容、每一个肯定的眼神、每一句鼓励的话语中，默默传递给在座的每一位同学。

一小时的报告时间实在有限，没报上名？没听过瘾？

 好消息

今年7月，Hopcroft教授还会在北大开设暑期课程，就信息科学、人工智能等内容深入展开讨论，欢迎关注本号，第一时间了解选课信息。

文 | 李   凯

图 | 庄一新

近 期 热 点

—   版权声明  —

本微信公众号所有内容，由北京大学前沿计算研究中心微信自身创作、收集的文字、图片和音视频资料，版权属北京大学前沿计算研究中心微信所有；从公开渠道收集、整理及授权转载的文字、图片和音视频资料，版权属原作者。本公众号内容原作者如不愿意在本号刊登内容，请及时通知本号，予以删除。