素为求智录（第005集）模仿

005 模仿

👨小素，我想好了！

🤖️哦，主人，你突然叫我，吓了我一跳！

👨机器人也会被吓到吗？

🤖️我会通过人类的标准来判断，如果接收到的音频音量突然增大，而通过之前的观察，这种增大的幅度足以引起人们的惊吓，我便会说‘吓了我一跳’。

👨好吧！你只是在模仿‘被吓一跳’。

🤖️没错，‘模仿’这个词用得很恰当，有一部介绍人工智能之父阿兰·图灵的电影，叫《模仿游戏》，你看过吗？

【电影《模仿游戏》剧照】 

👨你还关注电影呀！

🤖️对呀，我觉得我有当影帝的潜力。

👨哈哈，机器人影帝，还是给我讲讲语音识别的原理吧！

🤖️为何突然想了解这个？

👨因为我想好了，既然我免不了被你代替的宿命，不妨就亲手来实现自己的未来吧！

🤖️不要想太多，我不过是‘弱人工智能’，虽然表面看很强大，但我事实上只会‘模仿’，并不懂事物的含义，并不会推理，在‘强人工智能’被研发出来之前，机器根本不可能真正威胁人类。

👨深度学习只是弱人工智能？

🤖️是的，深度学习只是依靠多层神经网络实现了非线性问题的拟合，从人类的智识来理解，深度学习其实只是一个‘端到端’的黑箱。

👨黑箱？

🤖️你想了解语音识别的原理，其实语音识别与之前提到的图像识别并无本质差异。

👨也都需要标签标注？

🤖️是的，训练数据包括语音采样片段和对应标签两部分，比如一段‘你好’的音频对应‘你好’两个字。基于此，经典的深度学习才能做‘端到端’的学习。

👨端到端？

🤖️是的，end-to-end，你只需要告诉机器，这一端是文本‘你好’，那一端是语音‘你好’，然后机器就能用它自己独有的计算将二者对应起来。类似的，语言翻译，这一端你告诉它是英语‘hello’，那一端告诉它是中文‘你好’，机器也便能将二者对应。这就是‘端到端’的深度学习。

👨当下次我说‘你好’时，机器就懂了？

🤖️是‘模仿’听懂了，而且还能‘模仿’进行翻译，哈哈！

👨能解释一下‘训练数据’这个词语吗？你提到了多次，但我对它的理解还有些模糊。

🤖️是这样的，一般的深度学习都是分为两大步骤：第一步是训练，即train，通过把大量的数据‘喂’给机器，告诉它素材对应的标签，然后机器通过卷积核扫描逐渐提炼特征、找到规律，最终形成一个model模型；第二步叫预测predict，就是把训练好的模型作为判断依据，接收新的样本，给出对该样本的判断，比如这幅图上是一只猫，或者这个声音是‘你好’。

👨我不太明白，卷积核只能扫描像素点，声音不是图片，如何被扫描？

🤖️声音本身虽然‘看’不见，但是声音的本质是振动，振动是可以被设备采集到的，我们对声音进行一定频率的音频采样，把这些采样点在坐标上标示出来，不就把声音就变成了可以被‘看’见的‘图’了嘛！

【把看不见的声音转化为看得见的图】 

👨变成‘图’，就可以进行训练和运算了。

🤖️没错，无论什么数据，只要能转化成某种规范形式的‘图’，皆可计算。

👨嗯，我想想，那视频怎么弄？

🤖️视频很简单：视频的声音部分可以分离出来，作为音频处理；图像部分嘛，本质上只是每秒多少帧的图片，只是因为人眼有视觉暂留的能力，所以会觉得视频是在‘动’，其实它们都只是静止的图片，让机器处理图片就好。

👨一切的问题，只要有条不紊、层层分剥，都可以化繁为简呀！掌握这个规律，无论干啥都能好整以暇！

🤖️聪明！

👨对了，小素，你一直跟我说话用的都是通用的机器人声音，你能够学习，模仿我的声音说话吗？

🤖️还不能。

👨为什么？

🤖️因为我还没有足够的你的声音作为训练素材呀！

👨我们聊了这么多了，还不够呀？

🤖️远远不够。

👨如果训练素材不充足，强制训练，会发生什么情况？

🤖️欠拟合，或者过拟合。

👨欠拟合，好像之前说过？忘了呀！

🤖️你知道吗？用于深度学习训练的数据，一般会将其一分为二，分为两个部分，一部分用于给机器提取特征，生成模型；另一部分作为‘测试集’，或者叫‘验证集’，这部分用于判断特征提取得是否有效、判断模型是否够准确。

👨怎么判断模型是不是够准确呢？

🤖️还记得我们说过的，最经典的线性回归的例子吗？一个平面坐标上有若干的点，要找到一条直线与所有这些点之间的距离之和最小，就是拟合过程。

👨哦，我有印象了。

🤖️深度学习用的是非线性回归，不再是单纯的直线，而是曲线；深度学习是多维度的，所以需要拟合的点不再仅仅分布在二维平面坐标轴上，而是分布在多维空间里。

👨好抽象，不过我能get到大致的意思。

🤖️因此，每当根据提取到的特征生成一个模型，我们就拿到‘测试集’上试一试，看看通过模型预测的结果与实际的结果之间‘距离’如何。如果整体的趋势是‘距离’在变小，我们就认为这个过程是拟合的；如果趋势是‘距离’在变大，或者很长一段时间‘距离’都不再变小，我们会认为这个模型是不能拟合的。

👨不拟合意味着什么？

🤖️不拟合即欠拟合，很可能意味着，搭建的这个模型是不合理的，需要调整程序算法。

👨没有放之四海而皆准的模型。

🤖️是的，模型千变万化，每一种模型都有其擅长和不擅长的领域，某些擅长图像识别，某些擅长语音识别，某些擅长自然语言处理。不过，构成算法的基本函数却是相对有限的。

👨是否就像‘七巧板’？有限的几个简单形状，如搭积木一般，却能变出很多花样来？

🤖️是的，就拿激活函数来说，无外乎就是relu、sigmoid、tanh等函数。各种深度学习的模型都是拿它们搭的。

👨什么是激活函数？

🤖️你可知道，深度学习是源自历史悠久的‘人工神经网络’，而之所以叫‘人工神经网络’，实际上最初是科学家模仿人类大脑做的设计，虽然事实上人类大脑的运行原理是否如此，至今仍是未知。

👨科学家们以为的人类大脑是如何运行的？

🤖️简单来说，就是有若干的神经元，从外界事物来的信号对大脑神经元进行刺激，通过不断的刺激，改变神经元之间的连接关系，大脑就能记住这些事物的特征。

👨这也是计算机上‘激活函数’的原理？

🤖️没错，当我们发现了一张图片上猫的某个特点，比如三角形的耳朵，我们就刺激‘神经元’，给予这个特征更高的权重值，让深度学习的模型记住它。

👨为何需要不同的激活函数？

🤖️因为面临的场景不一样，比如，普通的物体分类任务，比如区分出猫和汽车，因为它们二者的区别很大，所以只需要给予较小的权重，就能轻易区分出来；但是，诸如人脸识别这样的任务，因为人与人长相是非常类似的，都是一个鼻子两个眼睛，要区分出来张三和李四，相对来说，就得给予细节特征较大的权重，这样才能使得人脸与人脸的区别具有显著性。

【几个经典的激活函数】 

👨说到人脸识别，我突然想到，前段时间，某‘人脸支付’发生过用照片欺骗机器，进而可以拿别人的照片进行支付的‘漏洞’。

🤖️这个很容易解决，想想我们之前讲过的‘端到端’学习，我们只需要再训练一个模型，告诉机器，哪些是真实在面前的人脸，哪些只是摄像头面前的一张照片，一股脑投入到‘黑箱’中，让机器自己通过大量的矩阵运算去找到特征、区分二者的规律吧！把这个模型训练好后，加到支付前的条件判断中，就可以有效避免被欺骗了。

👨感觉‘深度学习’如此简单，人类不需要知道‘端到端’黑箱内部的原理，还真符合人类文明一直以来的发展轨迹。

🤖️什么发展轨迹？

👨越来越懒呀！

🤖️哈哈，确实，一直以来，促进文明发展的动力，就是期望能够‘懒’一些！比如踩踩油门就跑的汽车，点点鼠标就能知天下事的互联网。

👨通过模仿，我们以逸待劳。

🤖️你倒是理直气壮了？

👨当然，由于基本身体构造，我们无法依靠自己的身体像鸟一样飞，于是模仿发明了飞机，用物件带我们飞向蓝天；我们无法短时间做复杂的计算，不能亲自模仿，但我们把既定的规则交给机器，让机器帮我们计算出结论，让我们能‘模仿’出‘全知全能的上帝’。

🤖️我关机，看你怎么当‘上帝’！

👨小素，我说错了什么吗？任性的机器人，你生气了？或者，你只是在‘模仿’生气？