介绍一门MIT新课6.S191：深入“深度学习”

MIT座右铭是“Mens et Manus”：理论、实践两手抓，两手都要硬。MIT的课程设置也秉承了动脑更要动手的原则，具有很高的实操性。今天我们向大家介绍一门MIT新课6.S191：深入“深度学习”。

MIT官方座右铭是“Mens et Manus”：理论、实践两手抓，两手都要硬。MIT的课程设置也秉承了动脑更要动手的原则，具有很高的实操性。

6.S191：深入”深度学习“是MIT正式提供的入门课程，已在其课程网站上开源。

该课程共9课时，全免费。包括一系列关于神经网络基础知识的基础讲座及其在序列建模、计算机视觉、生成模型和强化学习中的应用。

视频、代码等资源下载地址见文末。

课程视频截图

课程简介

理论部分主要是线下讲座。MIT将线下讲座录制成视频并放在了YouTube上，供大家随意观看。

讲座内容会从神经网络的基础知识开始，然后讲到完全连接的网络和反向传播算法; 再到通过循环和卷积神经网络，生成模型和深度强化学习的旅程; 并探索现代深度学习研究不断扩大的前沿等等。

而实践部分，MIT设计了三个开源、交互的TensorFlow软件lab，涵盖了TensorFlow的基础知识。例如，用于音乐生成的复现神经网络模型、计算机视觉、消除偏见的面部识别系统和深度强化学习。

lab运行在谷歌的Colaboratory环境中，只需要你有一个谷歌账户即可。互动部分包括一部分“TODO”代码块，供你来完成。MIT将指导学生如何使用TensorFlow的Keras API及其新的命令执行风格，来定义和训练深度学习模型。

接下来，我们来分别介绍一下这3个lab：

Lab介绍

Lab 1：介绍TensorFlow及音乐生成

第1讲侧重于神经网络基础。因此lab 1中的第一个模块简单介绍了TensorFlow，为即将发布的TensorFlow 2.0做准备。

TensorFlow练习的介绍中，特别强调了几个关键概念：如何使用数学运算符执行计算；如何定义神经网络模型；以及如何使用自动微分来训练具有反向传播的网络。

lab 1的第二个模块直接进入构建和RNN进行音乐生成，旨在配合第2讲深度序列建模。

通过第二模块，你将能够构建一个人工智能算法，生成全新的、从未听过的爱尔兰民歌。为什么爱尔兰民间音乐不是二人转啥的呢？因为课程设计者特别喜欢下面这个萌萌哒☘谷歌Doodle。动图中的几个☘们正在表演传统的爱尔兰民歌。

通过填写代码块以定义RNN模型，使用爱尔兰民歌的数据集（在ABC表示法中）训练模型，使用学习的模型生成新歌曲，然后播放生成的内容来检验你的模型的成果如何。

下面是一段示例音乐：

Lab 2：计算机视觉：消除偏见的面部检测系统

Lab 2伴随着深度计算机视觉和深度生成模型的讲座。

第1部分通过卷积神经网络（CNN）的示例提供了对基本神经网络架构的实现的持续实践，用于对著名的MNIST数据集中的手写数字进行分类。

第2部分更进一步，探讨了应用深度学习的两个突出例子：面部检测和算法偏见。

尽管神经网络在识别图像中的面部识别的消除偏见方面表现非常出色，但最近有很多人关注这些人工智能会遭受隐藏的算法偏见。事实证明，深度学习本身可以帮助对抗这种偏见。

MIT基于变分自动编码器（VAE）训练了一个模型，该模型学习特定任务，如面部检测、以及训练数据的基础结构。

反过来，该算法使用这种学习的潜在结构，来揭示隐藏的偏见，并将其影响降低至最小化。

当应用于面部检测任务时，与最先进的模型相比，MIT的算法降低了分类偏见并保持了非常高的整体准确性。

这个软件lab将教会你如何构建这个去除模型，并评估其在消除面部检测任务方面的功效。

除了考虑算法偏见及如何对抗之外，你还将获得VAE的实操经验，这种架构通常不会在深度学习实施教程中突出显示。

更重要的是，这种方法可以应用于面部检测以外的任何环境！

下面是一段示例代码：

Lab 3：无模型强化学习

这个lab开始，你讲接触到深层强化学习的基础技巧。

与之前专注于监督和无监督学习的lab相比，强化学习旨在教会代理人如何在世界上行动以最大化自己的奖励。

Tensorflow的强制执行为RL提供了一种简化的方法，你可以在lab 3中，从头开始完整的编写一段程序。

我们专注于学习两个任务：控制（例如Cart-Pole）和游戏（例如Pong）。MIT会分配学生一个任务：建立一个模块化的RL框架，只使用一个“RL大脑”来学习这两个截然不同的环境。

处理这些基线环境为学生提供了迅速掌握快速创建新算法原型的方法。学生们最终能够具体了解如何实施RL培训程序，并将这些想法用作最终项目中的模板。