去掌控人，其各種最費盡心機的方式和手段，卻非普通士兵得到的待遇莫屬。要引發(fā)士兵的虛榮心（這是由于他們必然有極強的虛榮心），自有各種無法想到的、最低廉的辦法。我們常常不注重那些已經(jīng)習以為常的事情，要不然，有哪個活人目睹了一個士兵裝備了那么多煩瑣、流里流氣、矯揉造作的衣物，能不譏諷他呢？羊毛可以制作的最低俗產(chǎn)品，被涂上磚末的色彩，把士兵從上到下全都裹起來，這是由于那軍服是要效仿大紅的或深紅的軍服，為的是讓他覺得自己只要用少許錢，或者壓根不用花錢，表面看上去也會跟他們的長官差不多。士兵軍帽上并沒有鑲嵌銀色或金色的流蘇，而是用最丑陋的白線或黃線縫接，而如果別人頭上戴頂這樣的帽子，就應(yīng)該被送去瘋?cè)嗽?。然而，這些真實存在的誘餌，以及在水牛皮上搞出來的動靜，事實上卻已把大量男人引誘到一條不歸之路，其功效遠大于以往被女人取悅時的宜人秋波和甜美嗓音?，F(xiàn)在，那個養(yǎng)豬的從了軍，把紅外套穿在身上，堅信所有人都會對他以“先生”相稱。過了兩天，基特軍士[78]卻拿藤條狠狠地抽了他一通，只是由于他拿步槍時比預(yù)定的高了一英寸。我們再審視一下軍人這一行的尊嚴到底為何物吧。以前兩次戰(zhàn)爭中急需新兵時，容許軍官們?nèi)フ骷慌杏腥胧彝当I及其他重罪加身的人當兵。這表明：要么去從軍，要不然這些人就注定會被判死刑。騎兵比步兵更可憐，這是由于當他無所事事的時候，卻忍受著兼任馬倌的恥辱，而馬的花銷都比他的多得多。一想到這些，想到自己老是被長官命令去干許多雜事，想到自己的回報，想到他們沒有用處時長官對他們的表情，這士兵一定會想：當兵的倒霉蛋實在太蠢了，竟然會因為有人稱呼他們“士兵先生”而驕傲。難道這不是事實嗎？不過，如果士兵并非這般驕傲，那么，所有辦法、軍紀或錢財都不能把數(shù)以千計的士兵變得這么英勇。

　　 研究一下如果不存在其他什么條件讓人變得可愛一些，人的勇氣會在軍隊之外出現(xiàn)怎樣的影響，我們會發(fā)覺：這種影響對一個文明社會是有百害而無一利的。這是由于：人如果戰(zhàn)勝了自己的所有恐懼，你耳朵里就沒有別的，只能聽到奸淫、刺殺及形形色色的惡行。因而，政治家就在蕓蕓眾生中覺察到一種雜糅的勇氣準則，它把正義、榮耀和全部道德、美德與勇氣雜糅在了一起，而合乎這個準則的人，理應(yīng)就是那些游俠。游俠在世界范圍之內(nèi)做了許多好事，他們捉怪除妖，還窮人自由，把壓迫者置之死地。然而，等到全部惡龍的翅膀都被捆綁起來、巨怪都被驅(qū)除、各地處女都重獲自由（只有西班牙和意大利的少數(shù)處女不在此列，她們依然被其妖怪看管著）之后，騎士精神的教義（它們?nèi)己虾豕糯臉s譽標準）偶爾被擱置旁邊了。那教義就如同騎士們的盾牌那樣結(jié)實沉穩(wěn)。大量關(guān)于那教義的美德時常讓那教義出現(xiàn)困擾；隨著時代變得越來越敏感，在上個世紀初期，榮譽的信念就再次被放寬，并出現(xiàn)了一個新標準。人們視勇氣如榮譽一樣重要，認為勇氣占榮譽的一半份額，而正義所占不多，除此之外，其中不涵蓋其他一切可以讓榮譽這么怡然自在的美德。但是，就算是這樣的榮譽，一個大國少了它也無法維持下去。它是社會的橋梁，我們盡管知道其中涵蓋的大多是人類的缺點，但在充當將人類文明化的工具方面，世界上卻不存在哪怕一種美德可以起到其一半的作用（起碼我不了解世界上有這樣一種美德）。在一些高尚的社會當中，如果剔除了人的榮譽觀念，人們就會迅速地淪落為殘酷粗野的惡棍和忘恩負義的奴隸。

　　 說到屬于榮譽的決斗，盡管我可憐那些曾參與決斗者的悲慘境遇，然而，如果說他們恪守了虛假的規(guī)則參與決斗，就是有罪；或說他們曲解了榮譽的含義，就是荒唐的。因為有的決斗壓根與榮譽無關(guān)，而有的決斗卻能夠教人們怎樣對傷害表露憤怒并迎接挑戰(zhàn)。你們完全能否認你們親眼所見的每個人平日所穿的東西就是流行，也能說需要和供給相抵背離了真實的榮譽準則。埋怨決斗的人們并不會顧及社會從決斗的時尚那里贏得的好處。如果容許所有的粗人都為所欲為地應(yīng)用他們的語言，無須說明這么做的緣由，那么，一切談話就都會被毀滅了。許多正經(jīng)人跟我們說：古希臘人和古羅馬人就是這一類勇士，盡管壓根不懂什么決斗，卻樂于為國家的事情而吵吵鬧鬧。這毋庸置疑，然而恰恰是由于這個緣由，荷馬史詩里的皇親國戚們相互使用的語言，才有可能比我們的腳夫和馬夫所能包含的語言還要低俗。

　　 你如果想要遏制決斗之風，那就不要原諒所有參與決斗的人，要定下最為苛刻的法律，抵制決斗，然而無須制止決斗這種風俗。這樣做不僅能預(yù)防決斗經(jīng)常出現(xiàn)，還會讓最果斷、最勇猛的人的舉止變得謹小慎微，因而讓整個社會變得更優(yōu)雅、更光明。要讓一個人文明化，最奏效的方法莫過于他的恐懼了。當迎接挑戰(zhàn)時，如果不是全部的人（就像敬愛的羅切斯特大人所言[79]），起碼絕大部分人都是膽小鬼。對失敗的極端畏懼讓為數(shù)眾多的人惶惶不安。歐洲有上千位擁有男子氣魄且涵養(yǎng)極好的紳士，然而，他們心中如果不是因為藏有那種恐懼，他們就會成為紈绔子弟，飛揚跋扈、讓人不能忍受。況且，明令對法律不該連累的傷害付出代價的手段如果已經(jīng)落伍，那么，現(xiàn)在胡作非為的數(shù)量就會提高二十倍之多，

　　 圖片來源@視覺中國

　　 文 腦極體

　　 提到AI領(lǐng)域的多任務(wù)學習  ，很多人可能一下子就想到通用人工智能那里了  。通俗意義上的理解  ，就像《超能陸戰(zhàn)隊》里的大白這樣一種護理機器人  ，既能進行醫(yī)療診斷  ，又能讀懂人的情緒  ，還能像陪伴機器人一樣完成各種復(fù)雜任務(wù)  。

　　 不過大白畢竟只是科幻電影當中的產(chǎn)物 ，現(xiàn)有的AI技術(shù)大多還處于單體智能的階段 ，也就是一個機器智能只能完成一項簡單任務(wù) 。工業(yè)機器人中做噴漆的就只能用來噴漆  ，做搬運的只能用來搬運；識別人臉的智能攝像頭只能進行人臉 ，一旦人類戴上口罩 ，那就要重新調(diào)整算法  。

　　 當然  ，讓單個智能體實現(xiàn)多種任務(wù)也是當前AI領(lǐng)域研究的熱點 。最近  ，在強化學習和多任務(wù)學習算法上成績最好的是DeepMind公司的一款名為Agent57的智能體  ，該智能體在街機學習環(huán)境（ALE）數(shù)據(jù)集所有57個雅達利游戲中實現(xiàn)了超越人類的表現(xiàn)  。

　　 當然  ，多任務(wù)學習不止用在游戲策略上  。相對于現(xiàn)階段的AI  ，我們?nèi)祟惒攀悄軌蜻M行多任務(wù)學習的高手  。我們既不需要學習成千上萬的數(shù)據(jù)樣本就可以認識某類事物  ，我們又不用針對每一類事物都從頭學起 ，而是可以觸類旁通地掌握相似的東西  。

　　 AI在單體智能上面確實可以輕松碾壓人類  ，比如可以識別成千上萬的人臉；但AI在多任務(wù)學習上面就要向人類的這種通用能力看齊了  。

　　 什么是多任務(wù)學習 ？ 多任務(wù)學習（Multi-Task Learning  ，MTL）  ，簡單來說  ，就是一種讓機器模仿人類學習行為的一種方法  。人類的學習方式本身就是泛化的  ，也就是可以從學習一種任務(wù)的知識遷移到其他的相關(guān)的任務(wù)上  ，而且不同的任務(wù)的知識技能可以相互幫助提升 。多任務(wù)學習涉及多個相關(guān)的任務(wù)同時并行學習  ，梯度同時反向傳播  ，利用包含在相關(guān)任務(wù)訓練信號中的特定領(lǐng)域的信息來改進泛化能力  。

　　 （單任務(wù)學習和多任務(wù)學習的模型對比示意）

　　 做一個形象的類比 。我們知道人類不如虎豹擅跑 ，不如猿猴擅爬  ，也不如鯨豚擅游  ，但是人類是唯獨可以同時做到奔跑、攀援和游泳的  。用在人工智能和人類智能上  ，我們通常認為AI更擅于在單一任務(wù)上表現(xiàn)優(yōu)異并超越人類專家  ，如AlphaGo一樣；而人類則可能在各種任務(wù)上都能勝任  。

　　 MTL正是要讓人工智能來實現(xiàn)人類的這種能力 。通過在多個任務(wù)的學習中  ，共享有用的信息來幫助每個任務(wù)的學習都得到提升的一個更為準確的學習模型  。

　　 這里需要注意的是多任務(wù)學習和遷移學習的區(qū)別  。遷移學習的目標是將知識從一個任務(wù)遷移到另一個任務(wù) ，其目的是使用一個或多個任務(wù)來幫助另一個目標任務(wù)提高  ，而 MTL 則是希望多個任務(wù)之間彼此能相互幫助提升 。

　　 這里我們就要搞清楚MTL的兩個特征：

　　 一、是任務(wù)具有相關(guān)性 。任務(wù)的相關(guān)性是說幾種任務(wù)的完成模式是存在一定的關(guān)聯(lián)性的 ，比如  ，在人臉識別中  ，除了對人臉特征的識別  ，還可以進行性別、年齡的估算識別  ，或者  ，在不同的幾類游戲中識別出共通的一些規(guī)則  ，這種相關(guān)性會被編碼進 MTL 模型的設(shè)計當中  。

　　 二、是任務(wù)有不同的分類  。MTL的任務(wù)分類主要包括監(jiān)督學習任務(wù)、無監(jiān)督學習任務(wù)、半監(jiān)督學習任務(wù)、主動學習任務(wù)、強化學習任務(wù)、在線學習任務(wù)和多視角學習任務(wù)  ，因此不同的學習任務(wù)對應(yīng)于不同的MTL設(shè)置  。

　　 共享表示和特征泛化  ，理解MTL 優(yōu)勢的兩個關(guān)鍵 為什么在一個神經(jīng)網(wǎng)絡(luò)上同時訓練多個任務(wù)的學習效果可能會更好  ？

　　 我們知道  ，深度學習網(wǎng)絡(luò)是具有多個隱層的神經(jīng)網(wǎng)絡(luò)  ，逐層將輸入數(shù)據(jù)轉(zhuǎn)化成非線性的、更抽象的特征表示  。而各層的模型參數(shù)不是人為設(shè)定的 ，而是給定學習器的參數(shù)后在訓練過程中學到的  ，這給了多任務(wù)學習施展拳腳的空間  ，具備足夠的能力在訓練過程中學習多個任務(wù)的共同特征  。

　　 例如在上面的MTL的網(wǎng)絡(luò)中  ，后向傳播并行地作用于4個輸出  。由于4個輸出共享底部的隱層  ，這些隱層中用于某個任務(wù)的特征表示也可以被其他任務(wù)利用  ，促使多個任務(wù)共同學習  。多個任務(wù)并行訓練并共享不同任務(wù)已學到的特征表示  ，這樣多任務(wù)信息就有助于共享隱層學到更好的內(nèi)部表示 ，這成為多任務(wù)學習的關(guān)鍵 。

　　 那么MTL是如何產(chǎn)生效果的  ？

　　 MTL的方法中引入了歸納偏置（inductive bias）  。歸納偏置有兩個效果  ，一個是互相促進  ，可以把多任務(wù)模型之間的關(guān)系看作是互相先驗知識  ，也稱歸納遷移（inductive transfer）  ，有了對模型的先驗假設(shè) ，可以更好的提升模型的效果；另外一個效果是約束作用 ，借助多任務(wù)間的噪聲平衡以及表征偏置來實現(xiàn)更好的泛化性能  。

　　 首先 ，MTL的引入可以使得深度學習減少對大數(shù)據(jù)量的依賴  。少量樣本的任務(wù)可以從大樣本量的任務(wù)中學習一些共享表示  ，以緩解任務(wù)數(shù)據(jù)的稀疏問題 。

　　 其次 ，多任務(wù)直接的相互促進  ，體現(xiàn)在：①多個模型特性互相彌補  ，比如在網(wǎng)頁分析模型中  ，改善點擊率預(yù)估模型也同時能促進轉(zhuǎn)化模型學習更深層的特征；②注意力機制  ，MTL可以幫助訓練模型專注在重要特征上面  ，不同的任務(wù)將為這種重要特征提供額外證據(jù)；③任務(wù)特征的竊聽  ，也就是MTL可以允許不同任務(wù)之間相互竊聽對方的特征 ，直接通過提示訓練模型來預(yù)測最重要的特征 。

　　 再次 ，多任務(wù)的相互約束可以提高模型的泛化性  。一方面多任務(wù)的噪聲平衡 。多任務(wù)模型的不同噪聲模式可以讓多個任務(wù)模型學到一般化的表征  ，避免單個任務(wù)的過度擬合 ，聯(lián)合學習能夠通過平均噪聲模式獲得更好的表征；另一方面  ，表征偏置  。MTL的表征偏好會造成模型偏差 。但這將有助于模型在將來泛化到新任務(wù)  。在任務(wù)同源的前提下  ，可以通過學習足夠大的假設(shè)空間 ，在未來某些新任務(wù)中得到更好的泛化表現(xiàn)  。

　　 行業(yè)場景落地  ，MTL如何解決現(xiàn)實問題 由于MTL具有減少大數(shù)據(jù)樣本依賴和提高模型泛化表現(xiàn)的優(yōu)勢 ，MTL正被廣泛應(yīng)用到各類卷積神經(jīng)網(wǎng)絡(luò)的模型訓練當中  。

　　 首先  ，多任務(wù)學習可以學到多個任務(wù)的共享表示 ，這個共享表示具有較強的抽象能力  ，能夠適應(yīng)多個不同但相關(guān)的目標  ，通?？梢允怪魅蝿?wù)獲得更好的泛化能力 。

　　 其次  ，由于使用共享表示  ，多個任務(wù)同時進行預(yù)測時  ，減少了數(shù)據(jù)來源的數(shù)量以及整體模型參數(shù)的規(guī)模  ，使預(yù)測更加高效 。

　　 我們以MTL在諸如目標識別、檢測、分割等場景為主的計算機視覺的應(yīng)用為例  。

　　 比如臉部特征點檢測  。因為臉部特征可能會受到遮擋和姿勢變化等問題的影響 。通過MTL能夠提高檢測健壯性  ，而不是把檢測任務(wù)視為單一和獨立的問題  。

　　 多任務(wù)學習希望把優(yōu)化臉部特征點檢測和一些不同但細微相關(guān)的任務(wù)結(jié)合起來  ，比如頭部姿勢估計和臉部屬性推斷  。臉部特征點檢測不是一個獨立的問題  ，它的預(yù)測會被一些不同但細微相關(guān)的因素影響  。比如一個正在笑的孩子會張開嘴 ，有效地發(fā)現(xiàn)和利用這個相關(guān)的臉部屬性將幫助更準確地檢測嘴角  。

　　 如上圖人臉特征點檢測（TCDCN）模型  ，除了檢測特征點任務(wù) ，還有識別眼鏡、笑臉、性別和姿態(tài)這四個輔助任務(wù) ，通過與其它網(wǎng)絡(luò)的對比  ，可以看出輔助任務(wù)使主任務(wù)的檢測更準確  。

　　 MTL在不同領(lǐng)域有不同應(yīng)用  ，其模型各不相同  ，解決的應(yīng)用問題也不盡相同  ，但在各自的領(lǐng)域都存在著一些特點  ，除上面介紹的計算機視覺領(lǐng)域 ，還有像生物信息學、健康信息學、語音、自然語言處理、網(wǎng)絡(luò)垃圾郵件過濾、網(wǎng)頁檢索和普適計算在內(nèi)的很多領(lǐng)域  ，都可以使用 MTL 來提升各自的應(yīng)用的效果和性能 。

　　 比如 ，在生物信息學和健康信息學中 ，MTL被應(yīng)用于識別治療靶點反應(yīng)的特征作用機制 ，通過多個群體的關(guān)聯(lián)性分析來檢測因果遺傳標記  ，以及通過稀疏貝葉斯模型的自動相關(guān)性特征 ，來預(yù)測阿爾茨海默病的神經(jīng)成像測量的認知結(jié)果 。

　　 在語音處理上的應(yīng)用 。2015年 ，有研究者在國際聲學、語音與信號處理會議（ICASSP）上分享了一篇《基于多任務(wù)學習的深度神經(jīng)網(wǎng)絡(luò)語音合成》的論文  ，提出一種多任務(wù)疊層深層神經(jīng)網(wǎng)絡(luò) 。它由多個神經(jīng)網(wǎng)絡(luò)組成  ，前一個神經(jīng)網(wǎng)絡(luò)將其最上層的輸出作為下一個神經(jīng)網(wǎng)絡(luò)的輸入  ，用于語音合成 ，每個神經(jīng)網(wǎng)絡(luò)有兩個輸出單元  ，通過共享兩個任務(wù)之間的隱藏層  ，一個用于主任務(wù)  ，另一個用于輔助任務(wù) ，從而更好地提升語音合成的準確度  。

　　 在網(wǎng)絡(luò)Web應(yīng)用程序中  ，MTL可以用于不同任務(wù)共享一個特征表示  ，學習web搜索中的排名提升；MTL可以通過可擴展分層多任務(wù)學習算法  ，用于找到廣告中轉(zhuǎn)換最大化的層次結(jié)構(gòu)和結(jié)構(gòu)稀疏性等問題 。

　　 總體上來說 ，在這些MTL的應(yīng)用領(lǐng)域中  ，特征選擇方法和深度特征轉(zhuǎn)換方法得到研究者的普遍應(yīng)用  。因為前者可以降低數(shù)據(jù)維數(shù)并提供更好的可解釋性  ，而后者通過學習強大的特征表示可以獲得良好的性能  。

　　 MTL正在越來越多的領(lǐng)域作為一種提高神經(jīng)網(wǎng)絡(luò)學習能力的手段被廣泛應(yīng)用  。這其實正是AI在眾多行業(yè)實際應(yīng)用中的常態(tài)化場景 。

　　 我們可以最終溯源反思一下  ，人類之所以能夠具有多任務(wù)學習的靈活應(yīng)用的能力  ，恰恰是因為所處環(huán)境正是處在多特征、多噪聲的狀況之下  ，這樣必然要求我們?nèi)祟惐仨毮軌蛴|類旁通地進行先驗的學習能力的遷移 。而如果人工智能僅僅停留在單體智能上面  ，為每一類知識或任務(wù)都建立一套單獨的模型  ，最后可能仍然只是一套人工智障的機械系統(tǒng)  ，鬧出白馬非馬這類的笑話來  。

　　     

　　以上就是小編為大家介紹的當AI實現(xiàn)多任務(wù)學習，它究竟能做什么？的全部內(nèi)容，如果大家還對相關(guān)的內(nèi)容感興趣，請持續(xù)關(guān)注上海危機公關(guān)公司

　　本文標題：當AI實現(xiàn)多任務(wù)學習，它究竟能做什么？　　地址：/yuqingchuli/2022/0213/3230.html