根据关键词了解机器学习的趋势窥探

编者按：“趋势”表现了事物发展的动向，它的目标可以是模糊的，但这种持续的前进反映到数据上是明确的。去年4月，特斯拉AI总监Andrej Karpathy发表了一篇A Peek at Trends in Machine Learning，揭示了机器学习论文总数（arxiv）、深度学习框架、CNN模型、优化算法及研究人员的发展趋势。而就在几天前，他又更新了一波数据，并从中看到了一种非常有趣的变化。

注：本文已更新论文总数与流行框架排名，其余内容仍为2017年4月数据。

好像少了点啥

不知道各位读者有没有用过Google Trends，这是一个很cool的工具——输入关键词，你就能查看相应Google搜索结果随时间发生的变化。而现在，我们也已经有了一个机器学习论文库arxiv-sanity，它在过去6年内积累了43108篇（arxiv）相关论文，所以我们为什么不落落俗套，也来看看6年来机器学习研究的演变情况呢？

注：该论文库由Andrej Karpathy创建，由于机器学习涉及内容过广，文中很大一部分都围绕深度学习展开，尤其是Andrej Karpathy熟悉的领域。

arxiv奇点

首先我们先来看看arxiv-sanity上的论文总数（cs.AI，cs.LG，cs.CV，cs.CL，cs.NE，stat.ML）。截至去年4月，arxiv-sanity共收录28303篇机器学习论文，其中仅在2017年3月，数据库就突增近2000份新论文，机器学习学术成果迎来爆发期。

arxiv上ML论文提交量变化

而就在短短一年后，arxiv-sanity上的论文总数已经突破43000篇，考虑到近年来机器学习国际顶会的热门程度，我们先来看看几个主要会议（去年4月后）的“吸金”能力：

虽然参与会议投稿的论文未必都会提交给arxiv，但可以看出，2017年以前，arxiv-sanity上收录的论文总量尚不足3万篇，而去年光这几个会议就吸引了近2万篇投稿，另外还有其他的顶会数据未计入其中，机器学习的热度可见一斑。

当然，这也带来了一个问题，就是学者需要通过阅读大量论文才能从中筛选出真正有价值的内容，这也是许多人开始诟病顶会“灌水”严重的一个要因。但本文只关注发展趋势，因此这些论文总数将作为分母，用来分析一些有趣的关键词“现象”。

深度学习框架

谈及机器学习，一个不可避免的热门关键词是深度学习框架，那么学术界更偏好哪种框架呢？我们汇总了去年和今年的统计结果，请结合表格对比感受：

需要注意的是，这里我们的分母是统计的论文总数，以2017年3月为例，TensorFlow（9.1%）指在去年3月投到arxiv的机器学习论文中，有将近10%提到了TensorFlow，当然这也意味着该月的大多数论文并没有介绍自己使用的框架。但如果我们假设论文指出使用框架的现象遵循某种固定的随机概率，那么经过粗略估计，我们可以猜测大约有40％的实验室正在使用TensorFlow。而今年2月TensorFlow的比例提升到了14.3%，再算上把TF作为后端的各类框架，毫无疑问，TensorFlow确实是大多数学术界人士的首选框架。

而Caffe和Theano由于“历史悠久”，已经积累了数量可观的老用户和论文基础，因此它们的占比仍然很突出。

2017年4月前各框架发展情况

为了更直观地感受各框架的发展趋势，我们来看看去年和今年的这两幅图。上图中紫色的Caffe和深蓝色的Theano在很长一段时间内深受学界欢迎，而绿色的TensorFlow在2016年异军突起，只用一年时间就超越了“前辈”，增长势头显著。当时Andrej Karpathy曾预测Caffe和Theano的市场占有率会缓慢下降，同时TensorFlow的增长也会减缓，他更看好当时几乎没有存在感的PyTorch。

2018年3月前各框架发展情况

果不其然，最近的这幅统计图显示，粉色的TensorFlow经历了两年增长，至2017年年末开始趋向平稳，而Caffe和Theano的曲线几乎同步下降，后者的占有率已跌至第五位，还在第二位苦苦挣扎的Caffe也被“后起之秀”Keras和PyTorch赶上。其中最亮眼的是PyTorch，这个在2017年3月不足0.2%的框架到2018年2月已经达到4.7%，考虑到近年来论文的爆炸式增长，PyTorch前景可期，拿原twitter下的留言来说，就是：

PyTorch is on fire! （ PyTorch要火！）

CNN模型

CNN最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号、文本数据等。在处理上述这些问题时，除了特殊情况，通常我们不会从头新建一个CNN，而是在已有模型的基础上调整参数。那么，哪个是最受欢迎的CNN模型呢？Andrej Karpathy没有更新模型的相关数据，所以我们仍以去年的数据为准。

CNN有四大经典模型：AlexNet、VGGNet、Google Inception Net和ResNet。从上图我们可以看到，在关于AlexNet的论文开始大量出现前，Inception在较长时间内一枝独秀，2014年年末，AlexNet迎来快速增长，并长期稳定在高水平位置。而就在一年后，ResNet也迎来爆发期，到2017年3月占比9%，跃升至第一位。

优化算法

就优化算法而言，Adam是毫无疑问的“掌门人”。截至去年4月，约23%的机器学习论文都提到了它。当然我们很难估计它的实际使用占比：它可能高于23%，因为一些论文没有介绍使用的优化算法，其中的大部分甚至根本没有提及神经网络优化；它也可能需要在23%的基础上减去5%，因为这个关键词不是手动提取的，所以不排除论文里的Adam其实是个人名，而且作为一个优化算法，Adam的提出时间是2014年12月。

研究人员

虽然现在大家对Deep Learning热情高涨，业界也有大量被追捧的专家偶像，但这些偶像真的适合每个人吗？你追的偶像是不是真正的专家？从论文实际引用情况来看，哪些人的论文“含金量”更高？Andrej Karpathy也用数据给了我们一点启示。

上文中由上往下的四个人分别是Bengio、Lecun、Hinton、Schmidhuber，他们是业内公认的对深度学习贡献最大的四名活跃学者。可以发现，Bengio在论文中的出现次数和Hinton齐头并进，以35%位列首位，而Hinton则以30%排名第二。但考虑到Yoshua Bengio的弟弟Samy同样在机器学习领域有不错的成就，35%这个占比含有一定水分。

另外需要提的一位是LSTM之父Jürgen Schmidhuber，他的论文引用量也颇为可观。Schmidhuber现任瑞士人工智能实验室主管，因为喜欢自己独立研究，可能国内对他的关注度不高，但这不妨碍业界对他的肯定。这里介绍一篇他的新作One Big Net For Everything，除了标题看得让人害怕，引用的文献都有将近一半是他参与写的，感兴趣的读者可以参考着体会下大神的脑回路。

热门/冷门的关键词

Andrej Karpathy同样爬取了论文中的一些关键词，并观察了它们的热度情况。

以上数值是这样计算的：以resnet为例，2016年3月前它的出现频率只有1.044%，而它在2017年3月的出现频率是8.53%，因此它的热度增长为8.53/1.044〜=8.17。这样对比下来，去年最热门的论文关键词依次是ResNets、GANs、Adam、BatchNorm，而最受欢迎的研究领域则是风格迁移、深度强化学习、神经机器翻译、图像生成，热门架构的排名则是FCN、LSTM/GRU、连体网络和编码-解码网络。

另外，一些关键词也被研究人员们“无情”地抛进了角落。虽然不清楚排名第一的fractal具体指什么，但估计是贝叶斯参数那一块的内容。

小结

看完全文，你的“将基于全卷积编码-解码批规范化架构、经Adam优化处理的ResNet GAN用于风格迁移”这篇论文准备得怎么样了（英文名字都帮你想好了，就叫Fully Convolutional Encoder Decoder BatchNorm ResNet GAN applied to Style Transfer, optimized with Adam），这个选题听起来也不怎么离谱嘛:)