深度學(xué)習(xí)進(jìn)展及其在圖像處理領(lǐng)域的應(yīng)用

劉涵+賀霖+李軍

摘要：深度學(xué)習(xí)一般通過(guò)3種方式進(jìn)行：有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和混合深度學(xué)習(xí)。以“無(wú)監(jiān)督或生成式特征學(xué)習(xí)”以及“有監(jiān)督特征學(xué)習(xí)和分類”為例，討論了深度學(xué)習(xí)及其在圖像處理等領(lǐng)域的進(jìn)展及未來(lái)可能的研究方向。認(rèn)為深度學(xué)習(xí)打破了傳統(tǒng)機(jī)器學(xué)習(xí)和信號(hào)處理技術(shù)普遍基于淺層結(jié)構(gòu)的局限。得益于相關(guān)非凸優(yōu)化等問(wèn)題的逐步解決，深度學(xué)習(xí)已經(jīng)在圖像處理等領(lǐng)域取得了一些突破性的進(jìn)展。

關(guān)鍵詞： 深度學(xué)習(xí)；圖像處理；分層結(jié)構(gòu)

在過(guò)去10年左右的時(shí)間里，深度學(xué)習(xí)對(duì)信息技術(shù)的許多方面都產(chǎn)生了重要影響。諸多關(guān)于深度學(xué)習(xí)的描述普遍存在兩個(gè)重要的共同點(diǎn)：包含多層或多階非線性信息處理的模型；使用了連續(xù)的更高、更抽象層中的監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)特征表示的方法。深度學(xué)習(xí)是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，包含人工智能、圖模型、最優(yōu)化等技術(shù)在內(nèi)的交叉領(lǐng)域。它之所以如此受關(guān)注，主要源于3個(gè)方面：芯片硬件處理性能的巨大提升，為深度網(wǎng)絡(luò)的復(fù)雜計(jì)算提供了基礎(chǔ)；用于訓(xùn)練的數(shù)據(jù)呈爆炸性增長(zhǎng)，為復(fù)雜網(wǎng)絡(luò)的學(xué)習(xí)提供了可能；機(jī)器學(xué)習(xí)和信息處理等方面研究取得了很大進(jìn)展。

1 深度學(xué)習(xí)的發(fā)展

以前，絕大多數(shù)機(jī)器學(xué)習(xí)和信號(hào)處理技術(shù)都是基于淺層結(jié)構(gòu)，如高斯混合模型（GMM）、線性或非線性動(dòng)力系統(tǒng)、條件隨機(jī)場(chǎng)（CRF）、最大熵模型（MaxEnt）、支持向量機(jī)（SVM）、邏輯回歸（LR）、核回歸以及多層感知器（MLP）等。這些結(jié)構(gòu)一般包含最多一到兩層的非線性特征變換。已有研究表明：淺層結(jié)構(gòu)在解決簡(jiǎn)單的或者約束較多的問(wèn)題上效果明顯，但是由于其建模和表示能力有限，在對(duì)實(shí)際應(yīng)用中一些較為復(fù)雜自然信號(hào)（比如人類語(yǔ)音、自然聲音和語(yǔ)言、自然圖像和視覺(jué)景色）進(jìn)行處理時(shí)會(huì)遇到一些困難。人類的聽(tīng)覺(jué)和視覺(jué)信息等的處理機(jī)制一般可以用深度結(jié)構(gòu)描述，通過(guò)該結(jié)構(gòu)可以從感官輸入信息中提取復(fù)雜結(jié)構(gòu)并構(gòu)建內(nèi)部表示。如果能實(shí)現(xiàn)有效和高效的深度學(xué)習(xí)算法，那么對(duì)于各種自然信號(hào)的處理技術(shù)而言，其性能會(huì)得到很大提升。

深度學(xué)習(xí)的概念一般被認(rèn)為來(lái)源于對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究。前饋神經(jīng)網(wǎng)絡(luò)或具有多隱層的多層感知器是深度神經(jīng)網(wǎng)絡(luò)（DNN）的典型模型。反向傳播（BP）算法是解決其學(xué)習(xí)問(wèn)題的廣泛運(yùn)用的典型算法。遺憾的是，僅僅使用BP算法在實(shí)際學(xué)習(xí)隱層數(shù)目較多的網(wǎng)絡(luò)時(shí)往往效果不是很好[1]。在優(yōu)化目標(biāo)為非凸函數(shù)的深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中，通常存在局部最優(yōu)解等問(wèn)題。BP算法基于局部梯度信息，往往從一些隨機(jī)的初始點(diǎn)開(kāi)始尋優(yōu)，當(dāng)使用批量梯度下降或隨機(jī)梯度下降的BP算法時(shí)，目標(biāo)函數(shù)經(jīng)常會(huì)陷入局部最優(yōu)。隨著網(wǎng)絡(luò)層數(shù)的加深，局部最優(yōu)的情況也就會(huì)變得越來(lái)越嚴(yán)重。雖然相關(guān)研究者對(duì)小規(guī)模的神經(jīng)網(wǎng)絡(luò)的探究從未間斷過(guò)，但是在很多機(jī)器學(xué)習(xí)和信號(hào)處理方法中，研究者們將研究重點(diǎn)從對(duì)神經(jīng)網(wǎng)絡(luò)本身的研究轉(zhuǎn)移到對(duì)具有凸損失函數(shù)的淺層模型的研究，這些模型以降低建模準(zhǔn)確度為代價(jià)，達(dá)到快速高效地收斂到全局最優(yōu)化的目的。所以，深層網(wǎng)絡(luò)本身還存在著易于陷入局部最優(yōu)等缺陷，有待于進(jìn)行更深入的研究。

Hinton等在2006年左右提出了一種高效的基于深度置信網(wǎng)絡(luò)（DBN）的無(wú)監(jiān)督學(xué)習(xí)算法[2-3]，他們利用經(jīng)驗(yàn)性的方法處理了與深度模型相關(guān)的最優(yōu)化難題。DBN是一種深度生成式模型，由一組受限玻爾茲曼機(jī)（RBMs）堆疊而成，它的核心部分是貪婪式的逐層學(xué)習(xí)，這種算法可以最優(yōu)化DBN中的權(quán)重，且其時(shí)間復(fù)雜度與網(wǎng)絡(luò)的大小和深度呈線性關(guān)系。最近，相關(guān)研究者對(duì)于DNN與DBN進(jìn)行了更加細(xì)致的研究，如可使用DBN來(lái)初始化DNN的權(quán)值等。在DNN中，多隱層的使用不僅顯著提高了網(wǎng)絡(luò)的表示能力，而且可得到一些較優(yōu)解。然而，在訓(xùn)練過(guò)程中使用深而寬的神經(jīng)網(wǎng)絡(luò)需要依賴于強(qiáng)大的計(jì)算性能。隨機(jī)梯度下降（SGD）算法就是一種在訓(xùn)練集較大且冗余的情況下較為有效的學(xué)習(xí)算法[4]。已有的研究表明：SGD可以有效地實(shí)現(xiàn)并行方式的運(yùn)算。該并行運(yùn)算主要通過(guò)兩種方式實(shí)現(xiàn)：一種方式是通過(guò)異步模式使用多臺(tái)計(jì)算機(jī)[5]；另一種方式是使用多圖形處理器（GPU）的流水線型的BP算法[6]。另外，從單個(gè)或小批量樣本中估計(jì)得到的隨機(jī)性梯度使得SGD通常能跳出局部最優(yōu)解。其他的一些學(xué)習(xí)算法，如Hessian free[7]、Krylov subspace[12]方法等，都表現(xiàn)出了類似的學(xué)習(xí)能力。對(duì)于DNN學(xué)習(xí)中涉及的非凸優(yōu)化問(wèn)題，更好的參數(shù)初始化和學(xué)習(xí)技術(shù)都會(huì)學(xué)習(xí)出更好的模型。

DBN預(yù)訓(xùn)練并不是唯一可對(duì)DNN進(jìn)行有效初始化的方法?；诮翟胱詣?dòng)編碼器的方法對(duì)DNN進(jìn)行逐層地預(yù)訓(xùn)練，將每?jī)蓪右暈橐粋€(gè)降噪自編碼器，該編碼器再通過(guò)將輸入節(jié)點(diǎn)的隨機(jī)子集設(shè)置為零進(jìn)行正則化[1，8]。另一種方法則是使用壓縮自編碼器[14]，該編碼器通過(guò)使輸入變量具有更好的魯棒性來(lái)達(dá)到同樣的目的。此外，Ranzato等開(kāi)發(fā)了稀疏編碼對(duì)稱機(jī)（SESM）[9]，其在構(gòu)建DBN模塊中具有和RBM非常類似的架構(gòu)，它也可以用來(lái)有效地初始化DNN的訓(xùn)練過(guò)程。除了使用貪婪方法逐層地進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練，有監(jiān)督的預(yù)訓(xùn)練（有時(shí)稱為判別式預(yù)訓(xùn)練）也被證明是比較有效的[10-11]。有監(jiān)督的預(yù)訓(xùn)練的基本思路是從一個(gè)經(jīng)過(guò)BP算法訓(xùn)練的單個(gè)隱層MLP開(kāi)始，每一次需要添加一個(gè)新的隱層時(shí)，用一個(gè)隨機(jī)初始化的新的隱層和輸出層替換輸出層，并用BP算法訓(xùn)練全新的MLP（或DNN）。在RBM發(fā)展的同時(shí)，出現(xiàn)了另外兩種較有代表性的非概率的、非生成式的深度模型：一種是基于自編碼器（AE）的改進(jìn)模型，其使用與DBN訓(xùn)練相似的貪婪分層方法進(jìn)行訓(xùn)練；另一種是基于能量的模型，其利用稀疏表示來(lái)進(jìn)行非監(jiān)督學(xué)習(xí)。與DBN相似，其也可對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行高效的預(yù)訓(xùn)練。

2 3種深度學(xué)習(xí)網(wǎng)絡(luò)

深度學(xué)習(xí)是一類應(yīng)用廣泛的機(jī)器學(xué)習(xí)技術(shù)和架構(gòu)，其特點(diǎn)是采用多層的非線性結(jié)構(gòu)進(jìn)行信息處理，這種方法在本質(zhì)上是分層實(shí)現(xiàn)的。根據(jù)不同應(yīng)用領(lǐng)域的任務(wù)目標(biāo)及對(duì)應(yīng)的不同深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，我們可以大致把已有深度學(xué)習(xí)結(jié)構(gòu)分為3類：

（1）無(wú)監(jiān)督的或生成式學(xué)習(xí)的深度網(wǎng)絡(luò)。該結(jié)構(gòu)針對(duì)模式分析和合成任務(wù)，用于在沒(méi)有目標(biāo)類標(biāo)簽信息的情況下捕捉可見(jiàn)數(shù)據(jù)的高階相關(guān)性。已有的無(wú)監(jiān)督特征學(xué)習(xí)或表達(dá)學(xué)習(xí)指的就是這一類深度網(wǎng)絡(luò)。

（2）有監(jiān)督學(xué)習(xí)的深度網(wǎng)絡(luò)。該種網(wǎng)絡(luò)直接提供用于模式分類目的的判別能力，它的特點(diǎn)是描述了在給定可見(jiàn)數(shù)據(jù)的條件下不同類別的后驗(yàn)概率分布。對(duì)于這種有監(jiān)督的學(xué)習(xí)，目標(biāo)數(shù)據(jù)的類別標(biāo)簽總是以直接或間接形式給出，所以它們也被稱作判別式深度網(wǎng)絡(luò)。

（3）混合式深度網(wǎng)絡(luò)。其目標(biāo)是實(shí)現(xiàn)判別式模型的效果，往往以生成式或無(wú)監(jiān)督深度網(wǎng)絡(luò)的結(jié)果作為重要輔助，通過(guò)更好地優(yōu)化和正則化以上類別（2）中的深度網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，也可以通過(guò)使用判別式準(zhǔn)則對(duì)以上類別（1）中所述的深度生成式或無(wú)監(jiān)督深度網(wǎng)絡(luò)進(jìn)行參數(shù)估計(jì)來(lái)實(shí)現(xiàn)。

從傳統(tǒng)機(jī)器學(xué)習(xí)的角度，深度學(xué)習(xí)模型可分為深度判別式模型和生成式/無(wú)監(jiān)督模型。然而這種模型分類方法忽略了深度學(xué)習(xí)研究中的一個(gè)重要觀點(diǎn)，即生成式和無(wú)監(jiān)督學(xué)習(xí)模型可通過(guò)更好地正則化與優(yōu)化來(lái)提高深度判別網(wǎng)絡(luò)的訓(xùn)練效果。因此，深度學(xué)習(xí)網(wǎng)絡(luò)有時(shí)會(huì)以混合式的結(jié)構(gòu)形式出現(xiàn)。

3 深度學(xué)習(xí)在圖像目標(biāo)識(shí)別和計(jì)算機(jī)視覺(jué)中的應(yīng)用

多年來(lái)，計(jì)算機(jī)視覺(jué)和圖像目標(biāo)識(shí)別等任務(wù)長(zhǎng)期依賴人工設(shè)計(jì)的特征，如尺度不變特征變換（SIFT）和方向梯度直方圖（HOG）等。此類特征僅僅是對(duì)圖像中低級(jí)別的邊緣信息進(jìn)行描述與表征，若要描述圖像中高級(jí)信息例如邊緣交叉和局部外觀等，其往往顯得力不從心。深度學(xué)習(xí)可以通過(guò)無(wú)監(jiān)督和有監(jiān)督的學(xué)習(xí)方法直接從數(shù)據(jù)中獲得層級(jí)化的視覺(jué)特征，從而提供一套更為有效的解決方案。深度學(xué)習(xí)方法經(jīng)常可從無(wú)監(jiān)督和有監(jiān)督兩個(gè)角度進(jìn)行討論：無(wú)監(jiān)督特征學(xué)習(xí)，該類方法通常將深度學(xué)習(xí)用于特征提取，然后這些特征會(huì)被直接送入后續(xù)分類算法；有監(jiān)督的特征學(xué)習(xí)，當(dāng)存在大量有標(biāo)簽樣本時(shí)，此類方法通過(guò)端到端的學(xué)習(xí)策略實(shí)現(xiàn)特征提取與分類器的聯(lián)合優(yōu)化。

3.1 無(wú)監(jiān)督或生成特征學(xué)習(xí)

當(dāng)有標(biāo)簽樣本相對(duì)缺乏時(shí)，無(wú)監(jiān)督學(xué)習(xí)算法可用于學(xué)習(xí)視覺(jué)特征層級(jí)結(jié)構(gòu)。如Hinton和Salakhutdinoy等最早提出將無(wú)監(jiān)督深度自編碼方法應(yīng)用于DBN模型的預(yù)訓(xùn)練[4]。他們利用該方法在僅有60 000個(gè)訓(xùn)練樣本的美國(guó)國(guó)家標(biāo)準(zhǔn)技術(shù)研究所修正（MNIST）數(shù)據(jù)庫(kù)上成功實(shí)現(xiàn)了圖像的識(shí)別和降維（編碼）任務(wù)。此外，Nair和Hinton提出了一種改進(jìn)的DBN，該DBN的頂層使用了一個(gè)三階的RBM [12]。當(dāng)這種DBN被應(yīng)用于NORB數(shù)據(jù)庫(kù)（一個(gè)三維目標(biāo)識(shí)別任務(wù)數(shù)據(jù)庫(kù)）上時(shí)，其錯(cuò)誤率幾乎下降到了目前所公布的最低水平，這再次表明了DBN在很大程度上是優(yōu)于類SVM這樣的淺層模型。隨后，還出現(xiàn)一些對(duì)DBN的改進(jìn)文獻(xiàn)。其他的一些無(wú)監(jiān)督深度特征學(xué)習(xí)方法還包括稀疏自編碼器及基于深度稀疏編碼的模型等[13]。

3.2 有監(jiān)督特征學(xué)習(xí)和分類

CNN是一種受到廣泛關(guān)注的有監(jiān)督深度學(xué)習(xí)結(jié)構(gòu)。有監(jiān)督CNN結(jié)構(gòu)獲得廣泛關(guān)注始于2012年10月ImageNet競(jìng)賽，這主要是由于大量的有標(biāo)簽樣本及高性能GPU計(jì)算平臺(tái)的出現(xiàn)使得大規(guī)模CNN的高效訓(xùn)練成為可能。圖1給出了文獻(xiàn)[14]中所描述的CNN的基本結(jié)構(gòu)。為了實(shí)現(xiàn)典型圖像像素的空間位置相對(duì)不變性這一特點(diǎn)，CNN使用了一個(gè)帶有局部連接和共享權(quán)值的卷積層，該層的輸出通過(guò)一個(gè)非線性激活函數(shù)來(lái)獲得激活響應(yīng)，接著通過(guò)一個(gè)非線性池化層來(lái)減小數(shù)據(jù)量，最后再將池化層的輸出連接到若干個(gè)全連接層。這種結(jié)構(gòu)也常被稱作深度卷積神經(jīng)網(wǎng)絡(luò)。

CNN在2012年的ImageNet競(jìng)賽中取得了矚目的成績(jī)。在該次比賽中，使用深度CNN進(jìn)行建模的方法獲得了前所未有的低錯(cuò)誤率。該深度CNN模型包含6千萬(wàn)個(gè)權(quán)值，65萬(wàn)個(gè)神經(jīng)元節(jié)點(diǎn)以及結(jié)合5個(gè)卷積層的最大池化層。此外，兩個(gè)全連接層也被用于這個(gè)CNN模型的最頂層。另外，還有兩個(gè)額外的因素也起到了很重要的作用：首先，是一個(gè)稱為“dropout”[15]的強(qiáng)大的正則化技術(shù)；第二個(gè)重要因素是通過(guò)激活函數(shù)f（x）=max（x，0）所實(shí)現(xiàn)的整流線性單元（ReLU）的應(yīng)用，使得整個(gè)訓(xùn)練過(guò)程的效率被極大地提高，尤其是通過(guò)GPU并行運(yùn)算實(shí)現(xiàn)后取得的效果更加明顯。其后，基于更大規(guī)模的模型以及更多的訓(xùn)練數(shù)據(jù)，CNN得到了進(jìn)一步的改進(jìn)。不少深度CNN模型和方法的強(qiáng)大學(xué)習(xí)能力在各年的ImageNet競(jìng)賽上得到了驗(yàn)證。

深度CNN已被證明在圖像目標(biāo)識(shí)別任務(wù)中具有卓越的分類性能，關(guān)于其機(jī)理也逐漸有了一些解釋，如Zeiler等利用基于反卷積網(wǎng)絡(luò)的可視化技術(shù)對(duì)CNN的機(jī)理進(jìn)行了一些討論[16]。圖2示意了反卷積機(jī)理，該反卷積網(wǎng)絡(luò)通過(guò)CNN中相應(yīng)前饋計(jì)算的相反連續(xù)操作，其中包括反池化、校正和濾波，使得特征圖譜之上的活動(dòng)得以重建。在實(shí)現(xiàn)反池化的過(guò)程中，最大池化操作的非可逆性通過(guò)近似逆向逼近的方法得以解決。

除了深度CNN結(jié)構(gòu)外，DNN結(jié)構(gòu)也在大量的計(jì)算機(jī)視覺(jué)任務(wù)上獲得了成功[17-19]。目前，基于深度CNN結(jié)構(gòu)的有監(jiān)督學(xué)習(xí)模式及其相關(guān)的分類技術(shù)已在相關(guān)研究領(lǐng)域產(chǎn)生很大影響，這尤其體現(xiàn)在2012—2013年的ImageNet比賽中。這些方法不僅可以用于圖像目標(biāo)識(shí)別任務(wù)，同樣還可以應(yīng)用于其他一些計(jì)算機(jī)視覺(jué)的任務(wù)中。當(dāng)然，關(guān)于CNN深度學(xué)習(xí)方法的機(jī)理及其局限性等，仍有很多問(wèn)題需要探討。

4 結(jié)論及展望

深度學(xué)習(xí)作為當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域最熱門(mén)的技術(shù)之一，已經(jīng)在不少領(lǐng)域獲得了應(yīng)用，并且展現(xiàn)出巨大的前景。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的不同，它大致可以分為無(wú)監(jiān)督、有監(jiān)督和混合神經(jīng)網(wǎng)絡(luò)3種類別。作為一種從本質(zhì)上來(lái)說(shuō)是分層非線性結(jié)構(gòu)的深度模型，它所構(gòu)建和學(xué)習(xí)的深層特征表示無(wú)疑極大地提升了傳統(tǒng)淺層模型的泛化能力；但是隨之而來(lái)的明顯非凸的優(yōu)化目標(biāo)形式卻長(zhǎng)期困擾著該領(lǐng)域的研究者，如其導(dǎo)致的局部最優(yōu)化等問(wèn)題，阻礙著基于梯度的BP算法的有效實(shí)施。得益于無(wú)監(jiān)督預(yù)訓(xùn)練方法對(duì)優(yōu)化初始點(diǎn)的改善，該問(wèn)題有了一些經(jīng)驗(yàn)性且行之有效的解決方案。雖然該類方法缺乏穩(wěn)固的理論基礎(chǔ)，卻成功促成了深度學(xué)習(xí)方法在學(xué)術(shù)界和工業(yè)界的大規(guī)模成功應(yīng)用。通過(guò)最近的研究發(fā)現(xiàn)，現(xiàn)有深度架構(gòu)在優(yōu)化技術(shù)等方面存在著巨大的提升空間[7，10，20-23]。

另一方面，如果訓(xùn)練數(shù)據(jù)集足夠大，理論上來(lái)講，模型的泛化能力將會(huì)得到較大的提升，那么通過(guò)深度置信網(wǎng)絡(luò)等預(yù)訓(xùn)練方法所帶來(lái)的良好優(yōu)化初始點(diǎn)的重要性必然會(huì)顯著降低。然而，要實(shí)施針對(duì)大規(guī)模數(shù)據(jù)集的應(yīng)用，強(qiáng)大的計(jì)算能力是必不可少的。當(dāng)前來(lái)看，有效且可拓展的并行算法是訓(xùn)練龐大數(shù)據(jù)集的關(guān)鍵所在。然而，常用的基于mini-batch的梯度下降技術(shù)很難并行實(shí)現(xiàn)。最近出現(xiàn)的異步梯度下降等技術(shù)為這一領(lǐng)域相關(guān)問(wèn)題的解決帶來(lái)了一些新思路，并在CPU集群[7，13]和GPU集群[24]中得到了初步的實(shí)現(xiàn)。未來(lái)，對(duì)于并行學(xué)習(xí)和新型的大規(guī)模優(yōu)化算法仍需要進(jìn)行有針對(duì)性的理論研究。

目前，阻礙深度模型發(fā)展的另一主要問(wèn)題在于超參數(shù)的合理選擇。眾所周知，基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)有著數(shù)量眾多且自由度極大的超參數(shù)，如網(wǎng)絡(luò)架構(gòu)的層數(shù)以及每層的單元數(shù)、正則化強(qiáng)度、學(xué)習(xí)速率以及學(xué)習(xí)速率衰減率等?；趥鹘y(tǒng)的網(wǎng)格搜索等技術(shù)的解決方案無(wú)論從效率還是成本的角度上來(lái)講對(duì)于超參數(shù)的設(shè)定都是不可行的。此外，不同的超參數(shù)之間通常存在著相互依賴性，且微調(diào)代價(jià)巨大。這些問(wèn)題決定了我們需要開(kāi)展進(jìn)一步的研究來(lái)探索更有效的解決方案。令人欣慰的是，近來(lái)以隨機(jī)采樣[25]和貝葉斯優(yōu)化過(guò)程[26]為代表的方法給我們帶來(lái)了一些新思路。雖然一些經(jīng)驗(yàn)性的超參數(shù)設(shè)置即可在一定程度反映出深層結(jié)構(gòu)所具有的強(qiáng)大泛化能力，但是超參數(shù)的最優(yōu)化配置在對(duì)一些特定應(yīng)用方面進(jìn)一步提高深度模型性能上仍具有很大的研究?jī)r(jià)值。

領(lǐng)域知識(shí)的應(yīng)用是深度學(xué)習(xí)方法成功的另一大關(guān)鍵因素。根據(jù)不同任務(wù)的特點(diǎn)設(shè)計(jì)不同的不變性特征提取方法以及正則化方法等是當(dāng)前所流行的一種應(yīng)用方式。研究者們也在基于域適應(yīng)的遷移學(xué)習(xí)對(duì)于深度學(xué)習(xí)的輔助作用方面進(jìn)行了一些研究，但是能夠普遍適用于各類分類任務(wù)的深度學(xué)習(xí)技術(shù)仍然是不存在的，例如：當(dāng)前較為通用的生成式預(yù)訓(xùn)練伴隨判別式微調(diào)的學(xué)習(xí)策略在一些特定的任務(wù)（如語(yǔ)音識(shí)別）中表現(xiàn)并不理想。因此，更加有效的域適應(yīng)技術(shù)和新型的通用學(xué)習(xí)架構(gòu)對(duì)于圖像處理等領(lǐng)域中的一些較為復(fù)雜的問(wèn)題而言是極其重要的。

深度學(xué)習(xí)理論還有其他一些方面的基礎(chǔ)性理論問(wèn)題值得關(guān)注，例如：如何通過(guò)關(guān)注數(shù)據(jù)變化中潛在因素的分布式表示問(wèn)題來(lái)設(shè)計(jì)更合理的深度學(xué)習(xí)架構(gòu)，進(jìn)而提取更高效的特征表示；在深度結(jié)構(gòu)的輸入輸出表示中同時(shí)引入結(jié)構(gòu)信息[27-29]，使得大多數(shù)傳統(tǒng)的深度學(xué)習(xí)技術(shù)只能用于“扁平結(jié)構(gòu)”表示的缺陷得到改善。最后，為了實(shí)現(xiàn)理想中的“強(qiáng)人工智能”，從而實(shí)現(xiàn)具備類似人類大腦水平的智慧，傳統(tǒng)的以信號(hào)處理和機(jī)器學(xué)習(xí)為主要技術(shù)基礎(chǔ)的人工智能研究應(yīng)更多地尋求同神經(jīng)計(jì)算等領(lǐng)域的合作，通過(guò)借助于前沿生物領(lǐng)域?qū)θ祟惔竽X分層結(jié)構(gòu)的最新研究成果來(lái)改善當(dāng)前的系統(tǒng)計(jì)算模型。

參考文獻(xiàn)

[1] BENGIO Y. Learning Deep Architectures for AI [J]. Foundations and Trends? in Machine Learning， 2009， 2（1）：1-127. DOI： 10.1561/2200000006

[2] HINTON G E， OSINDRO S， TEH Y. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation， 2006，18（7）：1527-1554. DOI： 10.1162/neco.2006.18.7.1527

[3] HINTON G E， SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J]. science， 2006，313（5786）：504-507. DOI： 10.1126/science.1127647

[4] BOTTOU L， CUN Y L. Large Scale online Learning[C]//Advances in Neural Information Processing Systems. USA： NIPS， 2004

[5] DEAN J， CORRADO G， MONGA R， et al. Large Scale Distributed Deep Networks[C]//Advances in Neural Information Processing Systems. USA： NIPS， 2004

[6] CHEN X， EVERSOLE A， LI G， et al. Pipelined Back-Propagation for Context-Dependent Deep Neural Networks[C]//Interspeech 2012. USA： IEEE，2012. DOI： 10.1.1.649.218

[7] MARTENS J. Deep Learning via Hessian-Free Optimization[C]//Proceedings of the 27th International Conference on Machine Learning （ICML-10）.USA：IEEE， 2010. DOI： 10.1.1.170.2846

[8] VINCENT. Stacked Denoising Autoencoders： Learning Useful Representations in a Deep Network with a Local Denoising Criterion[J]. Journal of Machine Learning Research， 11（Dec）： 3371-3408. DOI： 10.1561/2200000006

[9] BOUREAU Y， CUN Y L. Sparse Feature Learning for Deep Belief Networks[C]//Advances in Neural Information Processing Systems. USA： NIPS， 2008

[10] BENGIO Y. Greedy Layer-Wise Training of Deep Networks[C]//Advances in Neural Information Processing Systems.USA： NIPS， 2007：153

[11] YU K， LIN Y. Learning Image Representations from the Pixel Level via Hierarchical Sparse Coding[C]//2011 IEEE Conference on Computer Vision and Pattern Recognition. USA： IEEE， 2011. DOI： 10.1109/CVPR.2011.5995732

[12] MNIH V， KAVUKCUOGLU， SILVER D， et al， Playing Atari with Deep Reinforcement Learning[EB/OL].（2017-05-22）. https：//www.cs.toronto.edu/～vmnih/docs/dqn.pdf

[13] LE Q V. Building High-Level Features Using Large Scale Unsupervised Learning[C]//2013 IEEE International Conference on Acoustics， Speech and Signal Processing. USA： IEEE， 2013. DOI： 10.1109/ICASSP.2013.6639343

[14] LE C Y. Gradient-Based Learning Applied to Document Recognition[J]. Proceedings of the IEEE， 1998. 86（11）： 2278-2324. DOI： 10.1109/5.726791

[15] HINTON G E， SRIVASTAVA N， KRIZHEVSKY， et al， Improving Neural Networks by Preventing Co-Adaptation of Feature Detectors[EB/OL].（2017-05-22）. https：//arxiv.org/pdf/1207.0580.pdf

[16] ZEILER M D， FERGUS R. Visualizing and Understanding Convolutional Networks[C]//European Conference on Computer Vision. EU： Springer， 2014

[17] CIRESAN D C. Deep， Big， Simple Neural Nets for Handwritten Digit Recognition[J]. Neural Computation， 2010， 22（12）： 3207-3220. DOI： 10.1162/NECO_a_00052

[18] CIRESAN D. Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images[C]//Advances in Neural Information Processing Systems. USA： NIPS， 2012

[19] CIREGAN D and MEIER U. Multi-Column Deep Neural Networks for Image Classification[C]//2012 IEEE Conference on Computer Vision and Pattern Recognition. USA： IEEE， 2012. DOI：10.1.1.367.484

[20] MARTENS J， SUTSKEVER I. Learning Recurrent Neural Networks with Hessian-Free Optimization[C]//The 28th International Conference on Machine Learning. USA： IEEE， 2011

[21] LE V Q， NGUAN J， COATES A， et al. On Optimization Methods for Deep Learning[C]//The 28th International Conference on Machine Learning. USA： IEEE， 2011

[22] SAINATH T N. Optimization Techniques to Improve Training Speed of Deep Neural Networks for Large Speech Tasks[J]. IEEE Transactions on Audio， Speech， and Language Processing， 21（11）： 2267-2276. DOI： 10.1109/TASL.2013.2284378

[23] WRIGHT S J. Optimization Algorithms and Applications for Speech and Language Processing[J]. IEEE Transactions on Audio， Speech， and Language Processing， 2013， 21（11）： 2231-2243. DOI： 10.1109/TASL.2013.2283777

[24] COATES A， HUVAL B， WANG T， et al. Deep Learning with COTS HPC Systems[C]//International Conference on Machine Learning. USA： IEEE， 2013

[25] BERGSTRA J， BENGIO Y. Random Search for Hyper-Parameter Optimization [J]. Journal of Machine Learning Research， 2012， 13： 281-305. DOI： 10.2307/1268522

[26] SNOEK J， LAROCHELLE H， ADAMS P R. Practical Bayesian Optimization of Machine Learning Algorithms[C]//Advances in Neural Information Processing Systems. USA： IEEE， 2012

[27] SOCHER R. New Directions in Deep Learning： Structured Models， Tasks， and Datasets[C]//Neural Information Processing Systems. USA： NIPS， 2012

[28] DENG L. Design and Learning of Output Representations for Speech Recognition[C]//Neural Information Processing Systems. USA： NIPS， 2013

[29] SRIVASTAVA N， SALAKHUTDINOV R R. Discriminative Transfer Learning with Tree-Based Priors[C]//Advances in Neural Information Processing Systems. USA： NIPS， 2013