编译：集智俱乐部翻译组

来源：quantamagazine

原题：

Foundations Built for a General Theory of Neural Networks

当我们设计一座摩天大楼时，会希望它能够达到明确规定的性能要求：这座大楼能够承受一定的重量，并且能够承受一定强度的地震。

然而我们正在盲目地使用一项技术，它是现代世界最重要的技术之一。我们使用不同的设计，修改不同的设置，但在测试运行之前，我们并不知道它能做什么，或者会在哪里失败。

这项技术就是神经网络，它支撑着当今世界最先进的人工智能系统。神经网络正逐渐进入社会的核心领域：它们决定我们通过社交媒体获取的信息，它们帮助医生诊断疾病，它们甚至辅助法官审理案件。

然而，“我们几乎不知道神经网络实际上是如何工作的，也不知道它的理论基础是什么。”Boris Hanin说。

他将这种情况类比另一种革命性技术的发展：蒸汽机。一开始，蒸汽机除了抽水之外没什么用处。后来它们为火车提供动力，这是神经网络目前达到的复杂程度。再后来，科学家和数学家提出了一套热力学理论，使人类能够准确地理解任何类型的引擎内部到底发生了什么。最终，这些知识把人类带到了月球。

Hanin说：“首先，你拥有了不起的工程技术，接着你拥有了不起的火车，然后你需要一些理论知识来研究火箭。”

在神经网络开发者的庞大社区中，有一小群具有数学头脑的研究人员正试图建立一套神经网络理论——这个理论可以解释神经网络是如何工作的，并保证如果你以规定的方式构建一个神经网络，它将能够执行某些任务。

这项工作仍然处于起步阶段，但在去年，研究人员发表了几篇论文，阐述了神经网络中结构和功能之间的关系。这项工作致力于研究神经网络的理论基础。它表明，在能证明神经网络可以驾驶汽车之前，你需要证明它们可以做简单的乘法运算。

神经网络旨在模拟人类大脑，目前提出的一种大脑工作方式是，大脑通过将较小抽象合成较大抽象来工作。这种观点认为，思维的复杂性可以通过较小抽象的范围，以及将较低层次的抽象组合成较高层次的抽象的次数来衡量，就像我们学习辨别狗和鸟的方式一样。

“对于人类来说，如果你正在学习如何识别一只狗，你应该先学会识别四条毛茸茸的腿。理想情况下，我们希望神经网络能做同样的事情，”Maithra Raghu说。

Maithra Raghu，谷歌大脑项目组成员，康奈尔大学计算机科学的博士生，一直致力于神经网络运作原理的研究。©Arun Chaganty

对于人类的大脑来说，抽象是自然赋予的能力，而对于神经网络来说，抽象是需要实现的功能。与大脑一样，神经网络也是由被称为“神经元”的组件构成的，这些组件以各种方式连接在一起。每个神经元可以表示一个属性，或者一组属性，网络在每个抽象层次处理这些属性。

译注：神经网络中的神经元受到大脑中的神经元的启发，但并非直接模仿它们。

决定神经网络深度

当要把这些神经元连接在一起时，工程师们有很多种选择。他们必须决定神经网络应该有多少层神经元。例如，考虑一个神经网络，其任务是识别图像中的物体。图像在第一层输入系统中。在下一层，神经元只是检测图像中的边缘。接着在下一层，神经元组合直线来识别图像中的曲线。然后在下一层，神经元将曲线组合成形状和纹理，最后一层对形状和纹理进行处理，从而得出神经网络识别的结果。

“我们的想法是，每个层结合前一层的几个方面。圆是由许多不同的曲线组成的，曲线是由许多不同的线条组成的，”宾夕法尼亚大学的数学家David Rolnick说。

决定神经网络宽度

工程师还必须决定每一层的“宽度”，这对应于网络在每个抽象级别考虑的特征数量。在图像识别的例子中，层的宽度是指它在每个级别考虑的直线、曲线或其它形状的类型数量。

选择连接方式

除了网络的深度和宽度，工程师还可以选择如何连接层内和层间的神经元，以及赋予每个连接多大权重。

因此，如果你有一个特定的任务，哪种神经网络结构能够更好地实现它呢？这里有一些基本的经验法则。对于与图像相关的任务，工程师们通常使用“卷积”神经网络，其特点是层与层之间的连接模式相同，一遍又一遍地重复这个连接模式。对于自然语言处理（比如语音识别或语言生成），工程师们发现“循环”神经网络工作得最好。在这些神经网络中，神经元可以连接到不相邻的层。

神经网络传递输入数据（如一张图片）通过多层数字神经元。每一层都能获得输入数据的额外特征。数学家们正致力于探索神经网络的结构（神经元的数量、层的数量、连接方式）如何决定它们擅长的任务类型。

©Lucy Reading-Ikkanda

然而，除了这些一般的指导方针，工程师们在很大程度上不得不依赖实验证据：他们运行1000个不同的神经网络，仅仅是为了观察哪一个实现了功能。

“这些选择往往是通过实践中的反复试验和错误做出的，这是一种艰难的做法，因为有无限多的选择，人们真的不知道什么是最好的。”Hanin说。

更好的方法是少一点试验和错误，多一点对给定的神经网络结构的理解。最近发表的一些论文已经朝着这个方向发展了。

“这项工作试图开发出一本食谱，用于设计正确的神经网络。如果你知道自己需要一个什么样的网络，那么就能找到搭建这个网络的诀窍，”Rolnick说。

关于神经网络结构的最早的理论证明之一出现在30年前。1989年，计算机科学家证明，如果一个神经网络只有一个计算层，但是允许这一层有无限多的神经元，它们之间有无限多的连接，那么这个网络将能够执行任何你想要的任务。

这是一个笼统的陈述，凭直觉可以获知，但没有多大用处。这就像是说，如果你可以识别一个图像中无限多的行，那么你可以只使用一个层来辨别图像上所有对象。原则上说这是正确的，但在实践中没有意义。

如今，研究人员认为这种宽而扁的网络是“富有表现力的”，这意味着它们在理论上能够捕捉到输入（如图像）和输出（如图像的描述）之间丰富的联系。然而，这些网络很难训练，这意味着几乎不可能教会它们如何产生对应的输出。它们的计算量也超过计算机的处理能力。

最近，研究人员一直在试图把神经网络推向另一个方向——使神经网络变得更窄（每层神经元数量更少）和更深（整体神经元数量更多）。这样，也许你只需要挑出100条不同的直线，通过连接将这100条直线变成50条曲线，再把它们组合成10种不同的形状，你就有了识别大多数物体所需要的所有构件。

在去年完成的一篇论文中，麻省理工学院的 Rolnick 和 Max Tegmark 证明，通过增加深度和减小宽度，你可以用指数级减少的神经元来执行同样的功能。

论文题目：

The power of deeper networks for expressing natural functions

论文地址：

https://arxiv.org/abs/1705.05502

这就是说，如果你正在建模的案例有100个输入变量，使用包含2100个神经元的一层神经网络，或者，使用包含210个神经元的两层神经网络，具有相同的可靠性。他们发现，通过更多的抽象层次组合小块特征，这样的神经网络功能更强大，而不是试图在一个抽象层次捕获所有的特征。

Rolnick说：“神经网络中的深度概念体现这样一种想法，即你可以通过按顺序做许多简单的事情来表达复杂的东西。这就像一条流水线。”

Rolnick和Tegmark通过让神经网络执行一个简单的任务来证明深度的效用：乘以多项式函数。（这些方程的特征变量被提高到自然数指数，例如y=x^3+1。）他们训练网络，向网络展示方程式的例子和它们的结果，然后要求网络计算它们从未见过的方程式的结果。实现这个任务的深层神经网络的神经元数量远少于浅层神经网络。

Rolnick说，虽然乘法并不是一个能够轰动世界的任务，但该论文提出了一个重要的观点：“如果一个浅的网络不能做乘法，那么我们就不应该用它来做其它更难的任务。”

其他研究人员一直在探索所需的最小宽度。九月底，Jesse Johnson 证明了在某一点上，再深的深度也不能弥补宽度的不足。

论文题目：

Deep, Skinny Neural Networks are not Universal Approximators

论文地址：

https://arxiv.org/abs/1810.00393

为了解释他的结论，想象一下田野里的羊群：它们的毛被染成了几种颜色中的一种。神经网络的任务是在所有同色的绵羊周围画一个边界。理论上，这个任务类似于图像分类：输入一个图像集（它表示为高维空间中的点），网络需要将相似的图像聚合在一起。

Johnson证明，当层的宽度小于或等于输入数量时，神经网络将无法完成这项任务。所以对于这个案例中的羊，每一只都可以用两个输入变量来描述：一个x坐标和一个y坐标，指定羊在田野中的位置。然后，神经网络用一种颜色来标记每只羊，并在相同颜色的羊周围画一条边界。这种情况下，要解决这个问题，每层需要三个或更多的神经元。

更具体地说，Johnson指出，如果宽度与输入变量的比例太小，神经网络将无法绘制闭合的环——如果所有的红色绵羊都聚集在牧场中央，神经网络需要绘制这种闭合环。“如果没有任何一层的宽度超过输入维度的数量，有一些形状将永远无法被创建，无论你添加多少层，”Johnson说。

像Johnson这样的论文已经开始搭建神经网络理论的基石。目前，研究人员只能对架构和功能之间的关系做出非常基础的断言，而这些断言与神经网络所应用的任务数量相比，只占很小的比例。

因此，神经网络理论不会很快改变系统的构建方式，但关于计算机如何学习的新理论正在制定中。这个新理论将带领人类踏上新的征程，其影响甚至超过人类探月征程。

翻译：王佳纯

编辑：王怡蔺

原文地址：

https://www.quantamagazine.org/foundations-built-for-a-general-theory-of-neural-networks-20190131/