深度學習三大牛之一的Yann Lecun教授給出了一個關于機器學習中的有監督學習、無監督學習和增強學習的一個有趣的比喻，他說：如果把智能（Intelligence）比作一個蛋糕，那么無監督學習就是蛋糕本體，增強學習是蛋糕上的櫻桃，那么監督學習，僅僅能算作蛋糕上的糖霜（圖1）。

圖1 Yann LeCun對監督學習，增強學習和無監督學習的價值的形象比喻

深度有監督學習在計算機視覺領域的進展

圖像分類（Image Classification）

自從Alex和他的導師Hinton（深度學習鼻祖）在2012年的ImageNet大規模圖像識別競賽（ILSVRC2012）中以超過第二名10個百分點的成績(83.6%的Top5精度)碾壓第二名（74.2%，使用傳統的計算機視覺方法）后，深度學習真正開始火熱，卷積神經網絡（CNN）開始成為家喻戶曉的名字，從12年的AlexNet（83.6%），到2013年ImageNet大規模圖像識別競賽冠軍的88.8%，再到2014年VGG的92.7%和同年的GoogLeNet的93.3%，終于，到了2015年，在1000類的圖像識別中，微軟提出的殘差網（ResNet）以96.43%的Top5正確率，達到了超過人類的水平（人類的正確率也只有94.9%）。

Top5精度是指在給出一張圖片，模型給出5個最有可能的標簽，只要在預測的5個結果中包含正確標簽，即為正確

圖2 2010-2015年ILSVRC競賽圖像識別錯誤率演進趨勢

圖像檢測（Image Dection）

伴隨著圖像分類任務，還有另外一個更加有挑戰的任務–圖像檢測，圖像檢測是指在分類圖像的同時把物體用矩形框給圈起來。從14年到16年，先后涌現出R-CNN,Fast R-CNN, Faster R-CNN, YOLO, SSD等知名框架，其檢測平均精度（mAP），在計算機視覺一個知名數據集上PASCAL VOC上的檢測平均精度（mAP），也從R-CNN的53.3%，到Fast RCNN的68.4%，再到Faster R-CNN的75.9%，最新實驗顯示，Faster RCNN結合殘差網（Resnet-101），其檢測精度可以達到83.8%。深度學習檢測速度也越來越快，從最初的RCNN模型，處理一張圖片要用2秒多，到Faster RCNN的198毫秒/張，再到YOLO的155幀/秒（其缺陷是精度較低，只有52.7%），最后出來了精度和速度都較高的SSD，精度75.1%，速度23幀/秒。

圖3圖像檢測示例

圖像分割（Semantic Segmentation）

圖像分割也是一項有意思的研究領域，它的目的是把圖像中各種不同物體給用不同顏色分割出來，如下圖所示，其平均精度（mIoU，即預測區域和實際區域交集除以預測區域和實際區域的并集），也從最開始的FCN模型（圖像語義分割全連接網絡，該論文獲得計算機視覺頂會CVPR2015的最佳論文的）的62.2%，到DeepLab框架的72.7%，再到牛津大學的CRF as RNN的74.7%。該領域是一個仍在進展的領域，仍舊有很大的進步空間。

圖4圖像分割的例子

圖像標注–看圖說話（Image Captioning）

圖像標注是一項引人注目的研究領域，它的研究目的是給出一張圖片，你給我用一段文字描述它，如圖中所示，圖片中第一個圖，程序自動給出的描述是“一個人在塵土飛揚的土路上騎摩托車”，第二個圖片是“兩只狗在草地上玩耍”。由于該研究巨大的商業價值（例如圖片搜索），近幾年，工業界的百度，谷歌和微軟 以及學術界的加大伯克利，深度學習研究重地多倫多大學都在做相應的研究。

圖5圖像標注，根據圖片生成描述文字

圖像生成–文字轉圖像（Image Generator）

圖片標注任務本來是一個半圓，既然我們可以從圖片產生描述文字，那么我們也能從文字來生成圖片。如圖6所示，第一列“一架大客機在藍天飛翔”，模型自動根據文字生成了16張圖片，第三列比較有意思，“一群大象在干燥草地行走”（這個有點違背常識，因為大象一般在雨林，不會在干燥草地上行走），模型也相應的生成了對應圖片，雖然生成的質量還不算太好，但也已經中規中矩。

圖6根據文字生成圖片

強化學習（Reinforcement Learning）

在監督學習任務中，我們都是給定樣本一個固定標簽，然后去訓練模型，可是，在真實環境中，我們很難給出所有樣本的標簽，這時候，強化學習就派上了用常簡單來說，我們給定一些獎勵或懲罰，強化學習就是讓模型自己去試錯，模型自己去優化怎么才能得到更多的分數。2016年大火的AlphaGo就是利用了強化學習去訓練，它在不斷的自我試錯和博弈中掌握了最優的策略。利用強化學習去玩flyppy bird，已經能夠玩到幾萬分了。

圖7強化學習玩flappy bird

谷歌DeepMind發表的使用增強學習來玩Atari游戲，其中一個經典的游戲是打磚塊（breakout），DeepMind提出的模型僅僅使用像素作為輸入，沒有任何其他先驗知識，換句話說，模型并不認識球是什么，它玩的是什么，令人驚訝的是，在經過240分鐘的訓練后，它不光學會了正確的接球，擊打磚塊，它甚至學會了持續擊打同一個位置，游戲就勝利的越快（它的獎勵也越高）。

圖8 使用深度增強學習來玩Atari Breakout

強化學習在機器人領域和自動駕駛領域有極大的應用價值，當前arxiv上基本上每隔幾天就會有相應的論文出現。機器人去學習試錯來學習最優的表現，這或許是人工智能進化的最優途徑，估計也是通向強人工智能的必經之路。

這里推薦一篇2017年初Ian GoodFellow結合他在NIPS2016的演講寫出的綜述性論文—— NIPS 2016 Tutorial: Generative Adversarial Networks

深度無監督學習（Deep Unsupervised Learning）–預測學習

相比有限的監督學習數據，自然界有無窮無盡的未標注數據。試想，如果人工智能可以從龐大的自然界自動去學習，那豈不是開啟了一個新紀元？當前，最有前景的研究領域或許應屬無監督學習，這也正是Yann Lecun教授把無監督學習比喻成人工智能大蛋糕的原因吧。

深度學習牛人Ian Goodfellow在2014年提出生成對抗網絡后，該領域越來越火，成為16年研究最火熱的一個領域之一。大牛Yann LeCun曾說：“對抗網絡是切片面包發明以來最令人激動的事情。”大牛這句話足以說明生成對抗網絡有多重要。

生成對抗網絡的一個簡單解釋如下：假設有兩個模型，一個是生成模型（Generative Model，下文簡寫為G），一個是判別模型（Discriminative Model，下文簡寫為D），判別模型(D)的任務就是判斷一個實例是真實的還是由模型生成的，生成模型(G)的任務是生成一個實例來騙過判別模型（D），兩個模型互相對抗，發展下去就會達到一個平衡，生成模型生成的實例與真實的沒有區別，判別模型無法區分自然的還是模型生成的。以贗品商人為例，贗品商人（生成模型）制作出假的畢加索畫作來欺騙行家（判別模型D），贗品商人一直提升他的高仿水平來區分行家，行家也一直學習真的假的畢加索畫作來提升自己的辨識能力，兩個人一直博弈，最后贗品商人高仿的畢加索畫作達到了以假亂真的水平，行家最后也很難區分正品和贗品了。下圖是Goodfellow在發表生成對抗網絡論文中的一些生成圖片，可以看出，模型生成的模型與真實的還是有大差別，但這是14年的論文了，16年這個領域進展非常快，相繼出現了條件生成對抗網絡（Conditional Generative Adversarial Nets）和信息生成對抗網絡（InfoGAN），深度卷積生成對抗網絡（Deep Convolutional Generative Adversarial Network, DCGAN），更重要的是，當前生成對抗網絡把觸角伸到了視頻預測領域，眾所周知，人類主要是靠視頻序列來理解自然界的，圖片只占非常小的一部分，當人工智能學會理解視頻后，它也真正開始顯現出威力了。

圖9 生成對抗網絡生成的一些圖片，最后邊一列是與訓練集中圖片最相近的生產圖片

條件生成對抗網絡（Conditional Generative Adversarial Nets，CGAN）

生成對抗網絡一般是根據隨機噪聲來生成特定類型的圖像等實例，條件生成對抗網絡則是根據一定的輸入來限定輸出，例如根據幾個描述名詞來生成特定的實例，這有點類似1.5節介紹的由文字生成圖像，下圖是Conditioanal Generative Adversarial Nets論文中的一張圖片，根據特定的名詞描述來生成圖片。（注意：左邊的一列圖片的描述文字是訓練集中不存在的，也就是說是模型根據沒有見過的描述來生成的圖片，右邊的一列圖片的描述是訓練集中存在的）

圖10 根據文字來生成圖片

條件生成對抗網絡的另一篇有意思的論文是圖像到圖像的翻譯，該論文提出的模型能夠根據一張輸入圖片，然后給出模型生成的圖片，下圖是論文中的一張圖，其中左上角第一對非常有意思，模型輸入圖像分割的結果，給出了生成的真實場景的結果，這類似于圖像分割的反向工程。

圖11 根據特定輸入來生成一些有意思的輸出圖片

生成對抗網絡也用在了圖像超分辨率上，2016年有人提出SRGAN模型，它把原高清圖下采樣后，試圖用生成對抗網絡模型來還原圖片來生成更為自然的，更逼近原圖像的圖像。下圖中最右邊是原圖，把他降采樣后采用三次差值（Bicubic Interpolation）得到的圖像比較模糊，采用殘差網絡的版本（SRResNet）已經干凈了很多，我們可以看到SRGAN生成的圖片更為真實一些。

圖12 生成對抗網絡做超分辨率的例子，最右邊是原始圖像

生成對抗網絡的另一篇有影響力的論文是深度卷積生成對抗網絡DCGAN,作者把卷積神經網絡和生成對抗網絡結合起來，作者指出該框架可以很好的學習事物的特征，論文在圖像生成和圖像操作上給出了很有意思的結果，例如圖13，帶眼睛的男人-不戴眼鏡的男人+不帶眼睛的女人=帶眼睛的女人,該模型給出了圖片的類似向量化操作。

圖13 DCGAN論文中的例圖

生成對抗網絡的發展是在是太火爆，一篇文章難以羅列完全，對此感興趣的朋友們可以自己在網絡搜素相關論文來研究

openAI的一篇描述生成對抗網絡的博客非常棒，因為Ian Goodfellow就在OpenAI工作，所以這篇博客的質量還是相當有保障的。

視頻預測

該方向是筆者自己最感興趣的方向，Yann LeCun也提出，“用預測學習來替代無監督學習”,預測學習通過觀察和理解這個世界是如何運作的，然后對世界的變化做出預測，機器學會了感知世界的變化，然后對世界的狀態進行了推斷。

今年的NIPS上，MIT的學者Vondrick等人發表了一篇名為Generating Videos with Scene Dynamics的論文,該論文提出了基于一幅靜態的圖片，模型自動推測接下來的場景，例如給出一張人站在沙灘的圖片，模型自動給出一段接下來的海浪涌動的小視頻。該模型是以無監督的方式，在大量的視頻上訓練而來的。該模型表明它可以自動學習到視頻中有用的特征。下圖是作者的官方主頁上給出的圖，是動態圖，如果無法正常查看，請轉入官方網站視頻生成例子，下圖的視頻是模型自動生成的，我們可以看到圖片不太完美，但已經能相當好的表示一個場景了。

圖14 隨機生成的視頻，沙灘上波濤涌動，火車奔馳的場景

條件視頻生成，下圖是輸入一張靜態圖，模型自動推演出一段小視頻。

圖15.根據一張草地靜態圖，模型自動推測人的移動場景

圖16.給出一張鐵道圖，模型自動推測火車跑過的樣子

MIT的CSAIL實驗室也放出了一篇博客，題目是《教會機器去預測未來》，該模型在youtube視頻和電視劇上（例如The Office和《絕望主婦》）訓練，訓練好以后，如果你給該模型一個親吻之前的圖片，該模型能自動推測出加下來擁抱親吻的動作，具體的例子見下圖。

圖17 給出一張靜態圖，模型自動推測接下來的動作

哈佛大學的Lotter等人提出了PredNet，該模型也是在KITTI數據集上訓練,然后該模型就可以根據前面的視頻，預測行車記錄儀接下來幾幀的圖像，模型是用長短期記憶神經網絡（LSTM）訓練得到的。具體例子見下圖,給出行車記錄儀前幾張的圖片，自動預測接下來的五幀場景，模型輸入幾幀圖像后，預測接下來的5幀，由圖可知，越往后，模型預測的越是模糊,但模型已經可以給出有參加價值的預測結果了。