《理解深度學習需要重新思考泛化》論文引起了人們的深思，也有很多人表示不解。也曾在Quora上討論過。Google Brain工程師Eric Jang認為深度學習的工作機制，能促進深度學習在生活周圍的應用，Zhang et al.2016可能會成為一個重要的風向標。

　　2017年，很多機器學習研究人員都在試圖解決一個問題：深度神經網絡是如何運作的？為什么它們能夠很好地解決實際問題？

　　即使人們不太關心理論分析和代數，但理解深度學習的工作機制，能夠幫助我們促進深度學習在現實生活中的應用。

　　論文《理解深度學習需要重新思考泛化》（Understanding deep learning requires rethinking generalization）展現了神經網絡的一些有趣特征，特別需要指出的一點是，神經網絡有足夠的能力來記憶隨機輸入的數據。在SGD優化設置中，訓練集誤差完全可以縮小到ImageNet大小的數據集。

　　這與以下經典敘述背道而馳：“深度學習奇跡般地發現了低級、中級和高級特征，就像哺乳動物大腦V1系統在學習壓縮數據時展現出的行為一樣。”

　　2012-2015年間，很多研究人員使用“歸納偏差”來解釋深度網絡如何減少測試誤差，暗示了某種形式的泛化。

　　但是，如果一個深度網絡能夠記憶隨機數據，這表明由于歸納偏差也與記憶兼容，并不能完全解釋泛化能力，（例如卷積／池化架構，Dropout、batchnorm等正則化使用）。

　　這篇論文備受矚目的部分原因在于，它在ICLR評論中獲得了”Perfect score”和ICLR2017最佳論文獎。這引發了人們的熱議，所以有一點反饋循環。我認為這是一篇很好的論文，因為這篇論文提出了一個沒人問過的問題，并提供了強有力的實驗證據來證明一些非常有趣的結果。

　　然而，我認為深度學習界達成一致來判定一篇論文是否重要，還需要1-2年。尤其是對于那些非分析性、通過實證研究得出的結論。

　　Tapabrata Ghosh指出，一些研究人員認為，盡管深度網絡有記憶功能，這可能并不是深度網絡在實踐中做的事。這是因為“記住”有語義意義的數據集所需要的時間比記住隨機數據需要的時間更短，說明深度網絡可以利用訓練集中已有的語義規律。

　　我認為Zhang et al.2016在理解深度網絡運作方式上可能會成為一個重要的風向標，但并沒有解決深度網絡泛化的問題。也許馬上就會有人挑戰這篇論文的觀點。這就是實驗科學的本質。

　　簡而言之，這篇論文被認為非常重要，是因為展現了深度學習以記憶的方式學習隨機數據庫。然后提出了深度網絡如何學習非隨機數據集的問題。

　　以下是我對于泛化問題的意見：

　　具有良好優化目標的高容量參數模型像海綿一樣吸收數據。我認為深度網絡優化目標非常“懶惰“但功能強大：在提供正確模型偏差并與輸入數據兼容的情況下，深度網絡能夠具有語義意義的特征層次結構。但如果不方便優化，深度學習網絡將會以只記憶數據的方式進行優化。

　　現在我們缺少的是控制記憶程度vs泛化程度的方法，還有無法使用像權重正則化和dropout這樣強力的工具。