△ 这张票有点抢手
早就没票了。
今天下午，Facebook人工智能研究院院长Yann LeCun，将在清华大礼堂主讲一场两个小时的讲座，题目是《深度学习与人工智能的未来》。
如何优雅的听好LeCun的分享？
当然是提前预习。还能预习？当然，其实可以把LeCun的演讲当成一个巡演。很少有明星在巡演的过程中发表全新的主打歌，这放在人工智能领域也一样。
同理，LeCun这次不可能在清华发表一次全新的分享。所以，如果能事先预习一下，对于在现场理解和学习肯定是大大的加成。
去哪儿找预习的内容？
别担心，量子位都给你准备好了。我们不单给你找到了LeCun此前同题分享的视频，而且还找到了一份高质量的学习笔记……贴心不？
这个笔记的作者Valerian Saliou，是Crisp公司的CTO，也是一个全栈工程师。这份《听LeCun分享后有感》的笔记，发布于去年10月27日。
哪怕你没搞到票，现在也不用着急了。因为LeCun要讲的主体思想(为什么感觉这个词怪怪的)是一致的。视频和笔记，这里都齐了。
当然能去现场最好，有票不去的同学，可以把票转给量子位……
视频
好吧，先把视频放出来。我们顺便也把YouTube自动配的英文字幕下载了，有需要的同学，可以在量子位微信公众号( ID：QbitAI )对话界面，回复“字幕”两个字即可获得。
笔记
然后，笔记的环节来了。再次感谢Valerian Saliou。
感知器：第一个学习机器
■ 我们今天使用的机器学习算法是感知器的后代
■ 加权总和，误差校正
· 如果输出太低，增加所有输入为正的权重，并减少所有输入为负的权重
· 如果输出太大，那就反过来做
■ 监督学习
· 一个训练集
· 一些例子，如果机器出错（或正确），你得调整权重
· 模式识别的标准模型，从50年代至今都是“the only model in town”
· 监督机器学习=功能优化
· 随机梯度下降，意即针对某一案例，给予机器期望的答案并调整超参数，使得误差减小
· 如何构建复杂的机器？如何推而广之，例如图像识别
■ 深度学习系统
· 有数以亿计的“旋钮”
· 每个识别需要数十亿次操作(输入到输出)，所以使用GPU，而不是CPU
· 搭建深度学习系统，不是单一模块，而是级联的模块
1、特征提取器
2、中级特征
3、高级特征
4、可训练分类器
· 所有层(即模块)均可训练
· 深度学习中深度的意思是有很多层
· 图像由图案/对象组成，继续分解为各个部分，继续分解为像素
· 低级特征探测像素
· 中级特征探测部分
· 高级特征探测图案/对象
· 不仅对图像有效，还能用于文本、语音等。让世界变得可理解
· 大脑的新皮层也是分层的
· 中脑腹侧/识别路径也有很多层
· 非常快(识别对象的过程需要不到100ms)
· 反馈和推理对解释日常对象的影响非常小
多层神经网络
■ 反向传播算法
■ 用向量乘以矩阵
■ 阈值操作(非线性)，例如：ReLU(x) = max(x,0)
■ 每个单元计算其输入的加权和
■ 加权和通过非线性函数传递
■ 学习的算法改变权重
■ 如何训练？
· 使用反向传播算法
· 框架：Torch，TensorFlow，Theano等
· 雅可比矩阵(包含所有偏导数输出)
· 将梯度乘以雅可比矩阵
■ ReLU：修正线性单元
卷积神经网络
■ 缩写：ConvNets或CNN
■ 网络中有两种层
· 卷积
· 池化
■ 针对AI工作的改进
· ImageNet数据集，具有120万个标记的训练样本和1000个类别
· NVIDIA CUDA，万亿op/s
· 卷积的网络获取信任，然后人们都转向ConvNets
■ 极深卷积网络架构
· VGG
· GoogLeNet
· ResNet
■ 使用极深卷积网络
· 解释图片
· 人脸识别
· 分类+定位(多尺度滑动窗口)，用于识别人体在图片上的姿势
· Big Sur：Facebook的深度学习引擎，由一堆GPU组成
（量子位注：现在升级成Big Basin了，见报道）
· 由于最近有更多人研究深度学习，所以进步加快了
可微分内存
生成对抗网络
■ DCGAN：https://[github.com/Newmu/dcgan_code](http://github.com/Newmu/dcgan_code)
P.S. 还有一份补充材料送给同学们：《LeCun详解预测学习：一小时视频+84页PPT》
欢迎加量子位小助手的微信：qbitbot，如果你研究或者从事AI领域，小助手会把你带入量子位的交流群里。
