本篇干货整理自清华大学自动化系教授张长水于2018年4月27日在清华大学数据科学研究院第二届“大数据在清华”高峰论坛主论坛所做的题为《机器学习和图像识别》的演讲。
注：头条号私信后台回答关键词“0427”，下载完全版PPT。
张长水：大家好，我来自清华大学自动化系，紧张做机器学习和图像识别的研究。现在人工智能很盛行，机器学习也推到风口浪尖上，图像识别已经变成产品，新闻媒体见告我们AlphaGo、AlphaGozero已经降服了人类、皮肤癌的识别超过了大夫、无人车已经上路测试，很快要量产。这些新闻仿佛见告我们，图像识别的问题已经办理了，然而很多高科技做图像识别公司都还在高薪聘任节制机器学习的人才。图像识别问题办理了吗？我们看看现在图像识别还有些什么问题。
一、大量数据
现在做图像识别，哀求有大量的数据。什么叫大量的数据？比如上图是在业界做图像识别的数据集，包含很多类别的图像，像飞机、鸟、猫、鹿、狗。对付一个物体，须要有不同的表现，须要有不同的外不雅观在不同的环境下的表现，以是我们须要很多照片素材。
只管在我们领域里有很多大的数据集，但实在这些数据集远远不能知足我们的实用产品的哀求。比如说我们看这样一个笔墨识别的例子。笔墨识别比一样平常的图像识别要大略，由于笔墨不涉及到三维，它只是一个平面的东西。
二、大量的样本
比如我们要识别清华大学的“清”，常日的做法是网络“清”的各种各样的图像，所谓各种各样的图像便是说要包括不同的字体，不同的光照，不同的背景噪声，不同的倾斜等，要想把“清”字识别好，就须要网络上很多这样的样本。那么这么做得困难是什么？
三、困难
1、样本的获取
当我们运用于实际、设计产品的时候，就会创造不是每一种情形下都有那么多数据。以是，怎么得到丰富的数据是紧张的问题。
上图给大家展示的这一排图像是一个交通标志的识别任务。我们如果须要去识别路上的交通标志，就要在不同的环境下，不同的光照下，比如说清晨、中午、晚上，逆光还是背光，不同的视角，是否有遮挡，所有的成分都要考虑到，来采集数据。履历上每种标识网络上千张或者更多的图像，才能担保识别率到达实际运用的水平。
我们的问题是什么？看第一张图像。第一张图是有连续急转的标志。这样的标志在城市很难见到，除非到山区。这个例子解释，图像获取本身就不随意马虎。
2、样本的标注
我们现在的图像识别方法是基于标注的数据的，这叫做监督学习。图像标注就意味着把图像一张一张抠出来。如果我们开车穿梭在北京市大街小巷，但是交通标志并不是在视频的每一张图片上涌现。如果我们须要把视频中交通标志如果都要标出来，须要花很多钱。做机器学习的人会关心我们能不能通过一些其他更廉价的方法去做数据标注，例如能不能通过一些众包的办法去做。在12306网站购买火车票，每次让我们勾出相对应的图像，这可以看做是在标注数据。但是众包标注数据也存在一些问题，便是每个人标的时候会不一样，有时会有缺点。以是在机器学习中，有人关心在众包情形下、标注数据有错的时候，我们如何设计学习算法，使得它对缺点的标注不敏感。这个事大概七八年前就开始研究，不断的有新的文章涌现。
当数据没有那么多的时候，怎么办？机器学习界碰着了这样的问题，便是小样本的数据学习。当样本不多的时候能不能达到和大数据量类似的识别效果？例如上图中只有几张狗的图片的时候，要识别狗，还能从哪里得到狗的信息？思路是从其他的图片中来，比如上边有有鸟，有猫，有鹿，它们的皮毛很像狗等等。换句话说，他从其他的丰富的图像中获取一些信息，把那些信息迁移到这个少量的数据上，从而能够实现对狗的识别。
其余，图片数量是否能降到只有一张？比如清华大学的“清”，只有一个模板图像，是否能够把笔墨识别做好。更极度的例子，能不能做到一个样本都没有，也便是说，机器在没有见过狗的情形下，是否能把狗识别出来，这都是研究职员关心的事情。
3、大数据量的演习
有了很多的数据还须要对它进行演习，这常日须要花很永劫光，须要配备高真个设备去演习。
我们有了大量的数据怎么去做演习？可以采取GPU去做演习，这样可以达到特殊快的速率。在这大的数据量上进行演习和学习的问题，叫做big learning。
Big learning 关心是否有更快速的方法演习呢，须要一个月才能演习出来的问题，能不能在一天就演习出来；能不能用并行演习？如果数据不能一次存到硬盘里，这个时候怎么学习呢？这些便是企业和机器学习界都关心的事。
除此之外，我们创造深度学习模型很随意马虎被攻击。如上图左边是一只熊猫，我们已经演习好网络能够识别出这是一只熊猫。如果我在这张图像上加了一点点噪声，这个噪声在右图你险些看不出来，我再把这个叠加后的图像给网络，它识别出来的不是熊猫，是别的东西。而且它以99.3%的信心说这不是熊猫，乃至你可以指定他是任何一个东西。这件事情的风险在什么地方？如果只是娱乐一下，也没什么大关系。但是如果把它用于军事或者金融后果就比较严重了。因此我们一贯在关心这个问题怎么办理，便是希望算法能够抗攻击性强一点，但目前只是缓解而没有彻底办理。
而且研究中会创造这个问题，相称于去研究分类器的泛化性能。泛化性能这件事在机器学习里是理论性很强的问题，是机器学习圈子里面非常少的一些人做的事情。换句话说，这个问题看起来很运用，实在它涉及了背后的一些很深理论。为什么会涌现这样的情形？由于我们对深度学习这件事没有太好的理论去阐明它，我们没有那么好的方法去把所有的问题办理。
我们再说风险，图像识别中我们会把一个学习问题每每形式化一个优化问题，然后去优化这个函数，使这个函数最小。我们把这个函数叫做目标函数。有的时候我们会把这样的函数叫做丢失函数，物体识别有错就带来丢失。便是说在全体过程我们希望不要有太多的丢失。实在，风险函数可能是更得当的词。由于你识别错了，实在是有风险的。一样平常来说目标函数对应于缺点率，把狗识别成猫错了一张，把猫识别成狗又错了一张，都影响缺点率，而缺点率足以反响算法的性能。
但是在不同的问题里，识别缺点的风险是不一样的。比如我们做一个医学上的诊断，本来是正凡人，你判别说他有癌症，这种缺点就导致虚惊一场。还有一种情形是他患有恶性肿瘤，算法没有识别出来而导致了耽误治疗。这样的缺点风险就很大。因此我们在优化的时候，这个目标函数实在是该当把这样的决策缺点和风险放到里面去，我的目标是优化这个风险。但是这件事每每是和运用、和我们的产品设计干系。以是不同的产品设计，它的决策风险不一样。以是我们在设计产品的时候，是要考虑。
苹果流传宣传他们的人脸识别缺点率是百万分之一，如果别人来伪装你去用这个手机是百万分之一的可能性，便是说，别人伪装你是很难的；但是人脸识别还有一种缺点，便是：我自己用我的手机，没有识别出是我，这个缺点率是10%。换句话说，你用十次就会有一次不过。在用手机这个问题上不明显，但是如果用于金融，这个事就有风险。我们设计产品的时候，你就要考虑风险在哪，我们怎么样使得全体风险最小，而不是只考虑个中一边的缺点率。
有公司会宣扬说缺点率可以降到百万分之一，让人误以为人脸识别的问题已经办理了，然而我们在CAPR、ICCA这样的学术会议上仍旧能看到怎么去做笔墨的检测，怎么去做人脸识别的研究。换句话说这件事还没有到那么随意马虎利用的地步。以是我们做图像识别的产品有风险，产品设计要考虑风险，我们做这件事就要考虑用技能的时候，用对地方很主要，用错地方就会很大的风险。
机器学习是一个和运用紧密结合的学科，虽然有很多高大上的公式，实在都是面向运用，希望能办理实际问题。实际运用给我们提出很多需求，图像识别碰着的问题给我们提出了寻衅。末了，感谢各位的聆听。
注：头条号私信后台回答关键词“0427”，下载完全版PPT。