一文詳解深度學習的5 種架構

連接主義體系結構已存在 70 多年，但新的架構和圖形處理單元 (GPU) 將它們推到了人工智能的前沿。深度學習架構是最近 20 年內誕生的，它顯著增加了神經網絡可以解決的問題的數量和類型。本文將介紹 5 種最流行的深度學習架構：遞歸神經網絡 (RNN)、長短期記憶 (LSTM)/門控遞歸單元 (GRU)、卷積神經網絡 (CNN)、深度信念網絡 (DBN) 和深度疊加網絡 (DSN)，然后探討用于深度學習的開源軟件選項。

深度學習不是單個方法，而是一類可用來解決廣泛問題的算法和拓撲結構。深度學習顯然已不是新概念，但深度分層神經網絡和 GPU 的結合使用加速了它們的執(zhí)行，深度學習正在突飛猛進地發(fā)展。大數據也助推了這一發(fā)展勢頭。因為深度學習依賴于監(jiān)督學習算法（這些算法使用示例數據訓練神經網絡并根據成功水平給予獎懲），所以數據越多，構建這些深度學習結構的效果就越好。

深度學習與 GPU 的興起

深度學習由不同拓撲結構的深度網絡組成。神經網絡已存在很長一段時間，但多層網絡（每個層提供一定的功能，比如特征提?。┑拈_發(fā)讓它們變得更加實用。增加層數意味著各層之間和層內有更多相互聯系和更多權值。在這里，GPU 可為深度學習帶來助益，使訓練和執(zhí)行這些深度網絡成為可能（原始處理器在這方面的效率不夠高）。

GPU 在一些關鍵方面與傳統(tǒng)多核處理器不同。首先，一個傳統(tǒng)處理器可能包含 4 - 24 個通用 CPU，但一個 GPU 可能包含 1,000 - 4,000 個專用數據處理核心。

與傳統(tǒng) CPU 相比，高密度的核心使得 GPU 變得高度并行化（也就是說，它可以一次執(zhí)行許多次計算）。這使得 GPU 成為大型神經網絡的理想選擇，在這些神經網絡中，可以一次計算許多個神經元（傳統(tǒng) CPU 可以并行處理的數量要少得多）。GPU 還擅長浮點矢量運算，因為神經元能執(zhí)行的運算不止是矢量乘法和加法。所有這些特征使得 GPU 上的神經網絡達到所謂的高度并行（也就是完美并行，幾乎不需要花精力來并行化任務）。

深度學習架構

深度學習中使用的架構和算法數量豐富多樣。本節(jié)將探討過去 20 年來存在的深度學習架構中的 5 種。顯然，LSTM 和 CNN 是此列表中最古老的兩種方法，但也是各種應用中使用最多的兩種方法。

些架構被應用于廣泛的場景中，但下表僅列出了它們的一些典型應用。

現在，讓我們了解一下這些架構和用于訓練它們的方法。

遞歸神經網絡

RNN 是一種基礎網絡架構，其他一些深度學習架構是基于它來構建的。典型多層網絡與遞歸網絡之間的主要差別是，遞歸網絡沒有完整的前饋連接，它可能擁有反饋到前幾層（或同一層）的連接。這種反饋使 RNN 能保留對過去的輸入的記憶并按時間為問題建模。

RNN 包含豐富的架構（接下來我們將分析一種名為 LSTM 的流行拓撲結構）。關鍵區(qū)別在于網絡中的反饋，這可以在隱藏層、輸出層或二者的某種組合中體現出來。

RNN 可以按時間展開并通過標準反向傳播進行訓練，或者使用一種沿時間反向傳播 (BPTT) 的反向傳播變形來訓練。

LSTM/GRU 網絡

LSTM 是 Hochreiter 和 Schimdhuber 于 1997 年共同創(chuàng)建的，最近幾年，作為一種用于各種用途的 RNN 架構，LSTM 變得越來越受歡迎。您可以在每天使用的產品（比如智能手機）中發(fā)現 LSTM。IBM 在 IBM Watson?中應用了 LSTM，在對話語音識別上取得了里程碑式的成就。

LSTM 脫離了基于典型神經元的神經網絡架構，引入了記憶細胞的概念。記憶細胞可以作為輸入值的函數，短時間或長時間地保留自身的運算值，這使得該細胞能記住重要的信息，而不只是它最后計算的值。

LSTM 記憶細胞包含 3 個控制信息如何流進或流出細胞的門。輸入門控制新信息何時能流入記憶中。遺忘門控制何時遺忘一段現有信息，使細胞能記憶新數據。最后，輸出門控制細胞中包含的信息何時用在來自該細胞的輸出中。記憶細胞還包含控制每個門的權值。訓練算法（通常為 BPTT）基于得到的網絡輸出錯誤來優(yōu)化這些權值。

2014 年，推出了 LSTM 的一個簡化版本，叫做門控遞歸單元。此模型有兩個門，拋棄了 LSTM 模型中存在的輸出門。對于許多應用，GRU 擁有類似于 LSTM 的性能，但更簡單意味著更少的權值和更快的執(zhí)行速度。

GRU 包含兩個門：更新門和重置門。更新門指示保留多少以前細胞的內容。重置門定義如何將新輸入與以前的細胞內容合并。GRU 可以通過將重置門設置為 1 并將更新門設置為 0 來模擬標準 RNN。

GRU 比 LSTM 更簡單，能更快地訓練，而且執(zhí)行效率更高。但是，LSTM 更富于表達，有更多的數據，能帶來更好的結果。

卷積神經網絡

CNN 是一種多層神經網絡，該網絡的創(chuàng)作靈感來自動物的視覺皮質。該架構在圖像處理應用中特別有用。第一個 CNN 是由 Yann LeCun 創(chuàng)建的，當時，該架構專注于手稿字符識別，比如郵政編碼解釋。作為一種深度網絡，早期的層主要識別各種特征（比如邊緣），后來的層將這些特征重新組合到輸入的更高級屬性中。

LeNet CNN 架構包含多個層，這些層實現了特征提取，然后實現了分類（參見下圖）。圖像被分成多個接受區(qū)，其中注入了隨后可從輸入圖像中提取特征的卷積層。下一步是池化，它可以（通過降采樣）降低提取的特征的維度，同時保留最重要的信息（通常通過最大池化）。然后執(zhí)行另一個卷積和池化步驟，將結果注入一個完全連接的多層感知器中。此網絡的最終輸出層是一組節(jié)點，這些節(jié)點標識了圖像的特征（在本例中，每個節(jié)點對應一個識別出的數字）。您可以使用反向傳播訓練該網絡。

深層處理、卷積、池化和完全連接的分類層的使用，為深度學習神經網絡的各種新應用開啟了一扇門。除了圖像處理之外，CNN 還成功應用到了視頻識別和各種自然語言處理任務中。

人們最近應用 CNN 和 LSTM 來生成圖像和視頻說明系統(tǒng)，使用自然語言總結圖像或視頻內容。CNN 實現了圖像或視頻處理，LSTM 經過訓練可以將 CNN 輸出轉換為自然語言。

深度信念網絡

DBN 是一種典型的網絡架構，但它包含一種新穎的訓練算法。DBN 是一種多層網絡（通常是深度網絡，包含許多隱藏層），其中的每對連接的層都是一個受限玻爾茲曼機 (RBM)。通過這種方式，將 DBN 表示為一些疊加的 RBM。

在 DBN 中，輸入層表示原始感知輸入，每個隱藏層都學習此輸入的抽象表示。輸出層的處理方式與其他層稍有不同，它實現了網絡分類。訓練分兩步進行：無監(jiān)督預訓練和監(jiān)督調優(yōu)。

在無監(jiān)督預訓練過程中，會訓練每個 RBM 來重構它的輸入（例如，第一個 RBM 將輸入層重構到第一個隱藏層）。用類似方式訓練下一個 RBM，但將第一個隱藏層視為輸入（或可視）層，通過使用第一個隱藏層的輸出作為輸入來訓練 RBM。此過程一直持續(xù)到完成每一層的預訓練。完成預訓練后，開始進行調優(yōu)。在此階段，可對輸出節(jié)點使用標簽來提供它們的含義（它們在網絡的上下文中表示的含義）。然后使用梯度下降學習或反向傳播來應用整個網絡訓練，從而完成訓練過程。

深度疊加網絡

最后要介紹的一種架構是 DSN，也稱為深凸網絡。DSN 不同于傳統(tǒng)的深度學習框架，因為盡管它包含一個深度網絡，但它實際上是各個網絡的深度集合，每個網絡都有自己的隱藏層。此架構是對一個深度學習問題的一種回應：訓練的復雜性。深度學習架構中的每一層的訓練復雜性都呈指數級增長，所以 DSN 未將訓練視為單一問題，而將它視為單獨訓練問題的集合。

DSN 包含一組模塊，每個模塊都是 DSN 的整體分層結構中的一個子網。在此架構的一個實例中，為 DSN 創(chuàng)建了 3 個模塊。每個模塊都包含一個輸入層、一個隱藏層和一個輸出層。模塊彼此堆疊，一個模塊的輸入包含前一層的輸出和原始輸入矢量。這種分層使整個網絡能學習比單個模塊更復雜的分類。

DSN 允許隔離訓練各個模塊，這使得它們能并行訓練，因而具有很高的效率。監(jiān)督訓練實現為每個模塊上的反向傳播，而不是在整個網絡上的反向傳播。對于許多問題，DSN 表現得都比典型 DBN 更好，這使它們成為了一種流行且高效的網絡架構。

開源框架

這些深度學習架構肯定是可以實現的，但從頭開始可能很耗時，而且也需要時間來優(yōu)化它們并讓它們變得成熟。幸運的是，可以利用一些開源框架來更輕松地實現和部署深度學習算法。這些框架支持 Python、C/C++ 和 Java?等語言。讓我們看看 3 種最流行的框架和它們的優(yōu)缺點。

Caffe

Caffe 是最流行的深度學習框架之一。Caffe 最初是在一篇博士論文中發(fā)布的，但現在已依據 Berkeley Software Distribution 許可進行發(fā)布。Caffe 支持許多深度學習架構，包括 CNN 和 LSTM，但它明顯不支持 RBM 或 DBM（不過即將發(fā)布的 Caffe2 將會支持它們）。

圖像分類和其他視覺應用中已采用 Caffe，而且 Caffe 支持通過 NVIDIA CUDA Deep Neural Network 庫實現基于 GPU 的加速。Caffe 支持采用開放多處理 (Open Multi-Processing, OpenMP) 在一個系統(tǒng)集群上并行執(zhí)行深度學習算法。為了保證性能，Caffe 和 Caffe2 是用 C++ 編寫的，它們還為深度學習的訓練和執(zhí)行提供了 Python 和 MATLAB 接口。

Deeplearning4j

Deeplearning4j 是一種流行的深度學習框架，它專注于 Java 技術，但包含適用于其他語言的應用編程接口，比如 Scala、Python 和 Clojure。該框架依據 Apache 許可而發(fā)布，支持 RBM、DBN、CNN 和 RNN。Deeplearning4j 還包含兼容 Apache Hadoop 和 Spark（大數據處理框架）的分布式并行版本。

人們已應用 Deeplearning4j 來解決眾多問題，包括金融領域中的欺詐檢測、推薦系統(tǒng)、圖像識別或網絡安全（網絡入侵檢測）。該框架集成了 CUDA 來實現 GPU 優(yōu)化，而且可通過 OpenMP 或 Hadoop 進行分發(fā)。

TensorFlow

TensorFlow 是 Google 開發(fā)的一個開源庫，是從閉源 DistBelief 衍生而來。可以使用 TensorFlow 訓練和部署各種神經網絡（CNN、RBM、DBN 和 RNN），TensorFlow 是依據 Apache 2.0 許可而發(fā)布的。人們已應用 TensorFlow 來解決眾多問題，比如圖像說明、惡意軟件檢測、語音識別和信息檢索。最近發(fā)布了一個專注于 Android 的堆棧，名為 TensorFlow Lite。

可以在 Python、C++、Java 語言、Rust 或 Go（但 Python 最穩(wěn)定）中使用 TensorFlow 開發(fā)應用程序，并通過 Hadoop 分散執(zhí)行它們。除了專業(yè)的硬件接口之外，TensorFlow 還支持 CUDA。

Distributed Deep Learning

IBM Distributed Deep Learning (DDL) 被稱為“深度學習的噴氣式引擎”，這個庫鏈接到了 Caffe 和 TensorFlow 等領先框架中。可在服務器集群和數百個 GPU 上使用 DDL 來加速深度學習算法。DDL通過定義最終路徑來優(yōu)化神經元計算的通信，最終的數據必須在GPU之間進行。通過輕松完成 Microsoft 最近設置的一個圖像識別任務，證明深度學習集群的瓶頸能夠得以解決。

結束語

深度學習是通過一系列架構來表示的，這些架構可為各種各樣的問題領域構建解決方案。這些解決方案可以專注于前饋的網絡，或者是允許考慮以前的輸入的遞歸網絡。盡管構建這些類型的深度架構可能很復雜，但可以使用各種開源解決方案（如Caffe，Deeplearning4j，TensorFlow和DDL）來快速啟動和運行。