13、深度学习与强化学习：技术突破与应用前景

深度学习与强化学习：技术突破与应用前景

图像描述与语言学习

在图像识别领域，2015年，Kelvin Xu及其同事将用于识别图像中物体的深度学习网络与长短期记忆循环网络（LSTM）相结合，实现了图像描述的功能。具体操作是，先通过深度学习网络识别场景中的所有物体，将这些信息作为输入，训练LSTM网络输出描述场景的英文单词串。同时，LSTM网络还能识别图像中与描述文字相对应的位置。值得注意的是，LSTM网络并未经过理解描述语句含义的训练，只是基于图像中物体及其位置输出语法正确的单词串。这一成果与之前的NETtalk示例都表明，神经网络似乎对语言有着某种特殊的亲和力，或许通过分析LSTM网络能催生出新的语言理论，揭示网络的工作原理和自然语言的本质。

生成对抗网络（GANs）

生成对抗网络是一种强大的生成模型。在之前，玻尔兹曼机作为生成模型，可在输出固定到已训练识别的类别且活动模式渗透到输入层时生成新的输入样本。而Ian Goodfellow、Yoshua Bengio及其同事展示了在对抗环境下训练前馈网络生成更好样本的可能性。

生成对抗网络由生成卷积网络和判别卷积网络组成。生成卷积网络的目标是生成能欺骗判别卷积网络的图像样本，判别卷积网络则要判断输入图像是真实的还是伪造的，输出1表示真实图像，输出0表示伪造图像。两者相互竞争，生成网络试图增加判别网络的错误率，判别网络则努力降低自身错误率，这种竞争产生了惊人的逼真图像。

生成对抗网络具有以下特点和应用：
- 合成图像 ：生成的图像是合成的，其中的物体并非真实存在，是训练集中未标记图像的通用版本。
- 无监督学习