deeplearning.ai 人工智能行业大师访谈 Andrej Karpathy 听课笔记

标签：就是   不同   未来   机器学习   输入   geo   别人   研究   hint   

1. 本科的时候在多伦多大学上Geoffrey Hinton的课，在MNIST数字数据集上训练受限玻尔兹曼机，觉得很有趣。后来在UBC读硕士，上了另一门机器学习的课，那是他第一次深入了解神经网络的相关知识。他对人工智能很感兴趣，上了很多相关的课，但是对那些知识听不太懂，不是非常满意。他觉得神经网络才是AI，才是真正有趣的东西。于是他走上了这条路。

2. Karpathy认为神经网络是一种新的编程方式，我们定义好输入和输出，喂给程序很多例子，然后它会自动写程序。

3. NG觉得Karpathy对于深度学习很重要的两项工作：1）建立ImageNet；2）上cs231n的课。

4. 关于这些年深度学习的发展，Karpathy说自己最开始接触受限玻尔兹曼机时也没想到它会这么大规模应用，现在大家可以把某些数据集上训练的结果迁移到其他应用上，发展非常快。ImageNet比赛的网络已经成了很好的特征提取器。

5. 目前监督学习表现的非常好，而无监督学习还是原始状态。

6. Karpathy说自己花了一年半在OpenAI思考深度学习未来的发展，在他看来，这个领域会分成两条路，一边是应用AI，或者说搭建网络并训练，主要是监督学习，也有可能未来无监督学习，慢慢提高性能。另一个方向，是更一般的人工智能方向，就是如何让神经网络编程一个完全动态的系统，可以思考，可以做人类能做的所有的事情。Karpathy认为人类以前处理计算机视觉的方式是错误的，把计算机视觉分割成一个个子任务（比如识别物体、识别人脸等等），我们研究人类一项项的能力，一旦做出来了，就分成了各种不同的子领域；有了一个个子系统之后，我们在把它们组合起来。Karpathy更感兴趣的领域，不是这种分解式的，而是希望构建一个单一的网络，可以动态处理各种问题。问题在于如何构造目标函数去优化权重，才能得到真正的智力。

7. Karpathy给初学者的建议：必须接触到底层，知道一切程序背后的原理，必须充分了解整个流程。从零开始去实现，这很重要，这样学习的性价比最高。不要一开始就用现成的框架，比如TensorFlow，可以自己写最底层的代码。

deeplearning.ai 人工智能行业大师访谈 Andrej Karpathy 听课笔记

标签：就是   不同   未来   机器学习   输入   geo   别人   研究   hint   

原文地址：http://www.cnblogs.com/zonghaochen/p/7896873.html