谷歌的多任务神经网络可以同时兼顾八件事

时间:2017-12-21 01:46:28166网络整理admin

Tim Robberts / Getty By Matt Reynolds深度学习系统往往是一个单一的奇迹:他们很擅长于他们接受过训练的任务,但在其他方面却非常糟糕现在,来自谷歌的一个新的神经网络表明人工智能毕竟可以被教授多任务大多数深度学习系统都是为解决特定问题而设计的,例如识别塞伦盖蒂的照片中的动物或者在语言之间进行翻译但是,例如,如果您采用图像识别算法,然后重新训练它以执行完全不同的任务,例如识别语音,则通常会在其原始作业中变得更糟人类没有这个问题我们自然地使用我们对一个问题的知识来解决新任务,并且在我们开始学习另一个技能时通常不会忘记如何使用技能谷歌的神经网络朝着这个方向迈出了一小步,通过同时学习解决一系列不同的问题而不专注于任何一个领域来自Google Brain的神经网络 - 搜索巨头的深度学习团队之一 - 学会了如何执行八项任务,包括图像和语音识别,翻译和句子分析该系统称为MultiModel,由一个由子网络包围的中央神经网络组成,专门从事与音频,图像或文本相关的特定任务虽然MultiModel没有破坏它所尝试的任务的任何记录,但其性能始终如一准确度为86%,其图像识别能力仅比最佳专业算法差9%左右 - 与五年前使用的最佳算法的能力相匹配该系统还显示出其他好处深度学习系统通常需要接受大量数据的培训才能很好地完成任务但是,通过学习与完全不同的任务相关的数据,MultiModel似乎已经提出了一种巧妙的回避方式例如,当网络在图像数据库上进行训练时,网络解析句子语法的能力得到了提高,即使该数据库与句子解析无关爱尔兰都柏林Insight Center for Data Analytics的Sebastian Ruder对Google的方法印象深刻如果一个神经网络可以利用其对一个任务的知识来帮助它解决一个完全不同的问题,那么由于缺乏有用的数据,它可能会更难以学习 “这使我们更接近通向人工智能的途径,”他说谷歌发布了MultiModel代码作为其TensorFlow开源项目的一部分,让其他工程师有机会试验神经网络并进行测试然而,网络的复杂性可能使研究人员难以找出其多任务技能背后的原因,Ruder说期刊参考:arxiv.org/abs/1706.05137神经网络的图像识别分数已经修改更多关于这些主题: