2016 深度學(xué)習機器人領(lǐng)域最新應用及趨勢總結

　　尚待解決的DL問(wèn)題

　　一個(gè)經(jīng)常提到的問(wèn)題是如何將訓練后的深度學(xué)習系統整合進(jìn)應用于現實(shí)世界的機器人產(chǎn)品，不論是家用機器人還是自動(dòng)駕駛汽車(chē)。絕大部分講者認為，將測試中的每一個(gè)可能情形列舉出來(lái)是不可能的，因此必須設定一些標準的故障容差數據集。Scheirer將容差與工廠(chǎng)里依靠統計模型進(jìn)行測試作類(lèi)比。NicholasRoy則認為基于模型的方法更好。

　　WalterScheirer從數據的角度討論了CNN魯棒性低的問(wèn)題。CNN顯然適用于單個(gè)圖像分類(lèi)任務(wù)，但魯棒性低有時(shí)候確實(shí)是個(gè)問(wèn)題。Scheirer借用心理物理學(xué)(Psychophysics)評價(jià)神經(jīng)網(wǎng)絡(luò )的方式，測試識別模糊圖像和遮擋問(wèn)題。結果得到了很多性能一流的網(wǎng)絡(luò )，結果分辨率用人眼看也沒(méi)有什么顯著(zhù)降低。因此，Scheirer指出，CNN在圖像識別方面性能“超人”，但應用起來(lái)表現不好，實(shí)際上是參數沒(méi)有設置好，導致算法魯棒性評估出了問(wèn)題。

　　在討論中還出現了很多有趣的問(wèn)答。有人問(wèn)我們用人類(lèi)使用的數據訓練機器，這樣的機器是否能夠擁有超過(guò)人的能力，OliverBrock回答說(shuō)“AlphaGo”。另一個(gè)則是研究中在線(xiàn)訓練時(shí)間的問(wèn)題，有人問(wèn)網(wǎng)絡(luò )線(xiàn)下訓練的權重是否重要時(shí)，Raia回答說(shuō)“是”。不過(guò)她之后具體闡述了這個(gè)問(wèn)題，也是谷歌DeepMind在強化學(xué)習研究中的核心問(wèn)題。

　　總結

　　最后，Pieter說(shuō)相比以前，人腦也沒(méi)有得到很明顯的進(jìn)化，但除了吃喝，我們還從中“得出”了很多充滿(mǎn)智慧的發(fā)展。