深度學習算法的幾個難點

1、局部最優問題。

深度學習算法的目標函數，幾乎全都是非凸的。而目前尋找最優解的方法，都是基于梯度下降的。稍微有點背景知識的人都知道，梯度下降方法是解決不了非凸問題的。因此，如果找到最優解，將是深度學習領域，非常值得研究的課題。

andrew在google的工作，也就是那只貓，其實訓練過程是讓人很費解的。為了縮短訓練時間，項目組采用了分布式訓練的方式。采用了1000 臺計算機，在不同的計算機上存儲不同的訓練數據，不同的訓練服務器通過參數服務器進行參數的交換。訓練過程開始后，所有的訓練計算機從參數服務器更新當前 參數，然后利用當前參數以及本機器上的訓練數據，計算得到當前的梯度，通過貪婪式方法，訓練到不能再訓練為止，然后將參數的更新量提交給服務器，再獲取新 的參數進行更新。

在這個過程中，出現了不同機器在同步時間上的一個大問題。具體闡述如下：梯度下降這種方法，在計算梯度的時候，一定要知道當前參數的具體值，梯度是 針對某一個具體的參數值才有意義的。但是，由于在這個系統中，計算機非常多，當計算機A從服務器上獲得參數值后，完成梯度的計算得到步進量的時候，可能在 它提交結果之前，計算機B已經修改了參數服務器上的參數了。也就是說，A所得到的步進量，并不是針對當前的參數值的。

論文中，作者注意到了這個問題，但是故意不去理會，結果訓練結果居然不錯。作者的解釋是：這是一種歪打正著的現象。

為什么能夠歪打正著呢？有可能是這樣的：非凸問題，本來就不是梯度下降法能夠解決的。如果不存在同步難題，那么隨著訓練的深入，結果肯定會收斂到某一個局部最優解上面去。而現在這種同步問題，恰好能夠有助于跳出局部最優解。因此最終的訓練結果還算不錯。

作者并沒有證明，這種方式，對于尋找全局最優一定是有幫助的。對于最終的結果是否一定是經驗最優的，也沒有證明。因此我感覺，深度學習里面，這種超高維參數的最優結果的尋優，是一個很值得深入研究的問題。它對于最終的效果也確實影響很大。

2、內存消耗巨大，計算復雜。

內存消耗巨大和計算復雜體現在兩個方面。（1）訓練過程。（2）檢測過程。

這兩個過程的計算復雜，根本原因都是龐大的參數規模造成的。比如google的這個項目，每一個位置都用到了8個模版，每一個像素，這8個模版都是 不同的，因此導致最后的模版總數很大，所以訓練和檢測都很慢。當然，這種模版的設計法，讓人不好理解，為什么不同的像素位置，模版完全不同。我還是支持以 前的卷積神經網絡里面的思想，不同位置的模版都是一樣的，但沒一個位置，模版數量就遠不止8個了。這樣的好處是，內存空間中，總的模板數下降了；但缺點 是，計算更復雜了。

因此，如果能夠找到一個好的方法，能夠有效的較低計算復雜度，將是很有意義的。（比如某個鄰域內如果方差極小，其實根本就沒必要計算了，直接賦0.）

3、人腦機理還有很多沒用上。

深度學習模擬的是人腦的其中一個很小的方面，就是：深度結構，以及稀疏性。

但事實上，人腦是相當復雜滴。關于視覺注意機制、多分辨率特性、聯想、心理暗示等功能，目前根本就沒有太多的模擬。所以神經解剖學對于人工智能的影響應該是蠻大的。將來要想掀起機器智能的另一個研究高潮，估計還得繼續借鑒神經解剖學。

4、人為設計模版的可行性。

一直在想，為什么第一層用于檢測角點和邊緣這種簡單特征的模版，一定需要通過無監督訓練得到，如果人為實現模擬的話，能否也得到較為理想的結果呢？

從神經解剖學的成果上來看，人腦的v1區和v2區，神經細胞確實是按照規律排列的。而且都是可以人為設計的。而且，一個讓人懷疑的地方就是，v1區和v2區的神經細胞，是先天發育好的，還是后天訓練出來的？如果是先天的，那就是說，這種模版是可以人為設計的。

5、代價函數的設計方法。

代價函數的設計，在初學者看來，是很奇怪的。代價函數的設計，直接影響到最終的模版訓練結果，可以說是深度學習中最核心的模塊。

從目前已經發表的論文來看，一是考慮重構誤差，二是加入某種懲罰項。懲罰項的設計有多種模式，有考慮一階范式的，有考慮二階范式的，各種設計可謂千 奇百怪。有博文上講到，懲罰項的作用是為了防止過擬合，但也有博文的觀點是，懲罰項是為了保證稀疏性。（感覺過擬合與稀疏性是否存在某種內在聯系。）

當然，代價函數的設計方法，目前還在不斷探索，感覺這是一個可以發論文的點。

6、整個神經網絡系統的設計。

神經網絡的設計方法，包含了研究人員對人腦的理解方式。CNN、RBM，以及andrew項目組設計的變態網絡，都各有各的特色。要把整個網絡框架設計好，還是比較需要經驗的，也是相當費腦力的。當然，這是整個領域最有研究價值的模塊。

作者：denghp83

End.