大規(guī)模標注的數(shù)據(jù)集的出現(xiàn)是深度學習在計算機視覺領(lǐng)域取得巨大成功的關(guān)鍵因素之一。然而監(jiān)督式學習過于依賴大規(guī)模標注數(shù)據(jù)集，數(shù)據(jù)集的收集和人工標注需耗費大量的人力成本。自監(jiān)督模型解決了這一難題，它能夠從大規(guī)模未標記數(shù)據(jù)中學習圖像特征，而無需使用任何人工標注數(shù)據(jù)。

每個深度學習實踐者都認同的一件事是：深度學習模型是數(shù)據(jù)低效的。

1、數(shù)據(jù)低效的深度學習模型

讓我們首先考慮計算機視覺中的主流分類任務(wù)。以 ImageNet 數(shù)據(jù)庫為例，它包含 1000 個不同類別的130 萬張圖像，其中的每一個圖像都有人工標注的標簽。

ImageNet 無疑是現(xiàn)在深度學習復(fù)興的基石之一，這源于 2012 年 Krizhevsky 等人所著的論文《Imagenet Classification with Deep Convolutional Neural Networks》。

在這篇文章中， 卷積網(wǎng)絡(luò)模型首次大幅度超越了當時最先進的模型。它是在所有的對比模型中唯一一個基于卷積神經(jīng)網(wǎng)絡(luò)的解決方案。此后，卷積神經(jīng)網(wǎng)絡(luò)變得無處不在。

在深度學習之前，研究人員一直認為 ImageNet 挑戰(zhàn)非常困難，其主要原因是 ImageNet 數(shù)據(jù)集突出的變化性。即便只是找到能覆蓋 ImageNet 中各種犬類的手工特征就已經(jīng)很不容易。

然而，通過深度學習，我們很快意識到，大量的數(shù)據(jù)導(dǎo)致了 ImageNet 如此困難，同時實際上也是使深度學習如此有效的秘訣。

雖然如此，通過多年的深度學習研究，我們知道了大型數(shù)據(jù)庫用于訓練精確模型的必要性已成為一個非常重要的問題。并且需要低效的人工標注數(shù)據(jù)成為一個更大的問題。

而且在當前的深度學習應(yīng)用中，數(shù)據(jù)的問題無處不在。以 DeepMind 的 AlphaStar 模型為例。

來源：《AlphaStar : Mastering the Real-Time Strategy Game StarCraft II》

• 論文地址：https:///blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii

AlphaStar 深度學習系統(tǒng)使用監(jiān)督學習和強化學習來操作《星際爭霸2》。在訓練期間，AlphaStar 僅從游戲終端上觀看游戲畫面。DeepMind 研究人員使用可并行訓練大量智能體的分布式策略訓練模型。每個智能體都至少觀看過 200 年的實時《星際爭霸》錄像（不間斷）。通過像職業(yè)選手一樣的訓練，AlphaStar 取得了在官方游戲服務(wù)器中的排名超過了99.8％的活躍玩家的巨大成功。

雖然其中使用了各種通用性的技術(shù)來訓練系統(tǒng)，但成功構(gòu)建 AlphaStar（或任何其他 RL 智能體）的真正關(guān)鍵是使用了大量數(shù)據(jù)。實際上最佳的強化學習算法需要進行大量試驗才能達到人類水平，這與我們?nèi)祟惖膶W習方式正好相反。

結(jié)果，強化學習在具有大量可用數(shù)據(jù)的受限且定義明確的場景上取得了巨大成功。相關(guān)閱讀可以查看 DeepMind 《Rainbow: Combining Improvements in Deep Reinforcement Learning》這篇論文。

• 論文地址：https:///pdf/1710.02298.pdf

如果讓最好的 RL 方法玩某個 Atari 游戲，它需要一共玩近100個小時（1080萬幀），才能達到和專業(yè)人類玩家相同的表現(xiàn)水平。盡管時長最近有所改進，但100小時似乎仍然太多。

來源：《 Rainbow: Combining Improvements in Deep Reinforcement Learning》

• 論文地址：https:///pdf/1710.02298.pdf

有關(guān) AlphaStar 的更多信息，可以查看這篇文章：

• 文章地址：https://blog./blog/the-batch-google-achieves-quantum-supremacy-amazon-aims-to-sway-lawmakers-ai-predicts-basketball-plays-face-detector-preserves-privacy-1-0-0-0-0

雖然我可以給大家再舉幾個例子，但我想這兩句話足以說明我的意思：

目前深度學習基于大規(guī)模數(shù)據(jù)，當滿足所需環(huán)境和約束條件時，這些系統(tǒng)就會產(chǎn)出給人驚喜的結(jié)果。但在一些特殊情況下，它們也會完全失效。

讓我們回到 ImageNet 分類問題：ImageNet 數(shù)據(jù)庫的人類識別錯誤率約為5.1％，而目前最先進的深度學習 top-5 準確性約為1.8％。

• 論文地址：https:///sota/image-classification-on-imagenet

因此我們可以完美地證明：深度學習在  ImageNet  這項任務(wù)上已經(jīng)比人類做的更好。但是真的是這樣嗎？

如果是這樣的話，我們怎么解釋如下的問題呢？

來源：《 Attacking Machine Learning with Adversarial Examples》

• 論文地址：https:///blog/adversarial-example-research/

我們可以將這些在互聯(lián)網(wǎng)上非常流行的對抗樣本（adversarial examples）看作是設(shè)計用于誤導(dǎo)機器學習模型的優(yōu)化任務(wù)。相關(guān)閱讀可以查看下面這篇文章：

• 文章地址：https:///blog/adversarial-example-research/ 

這個想法很簡單：

我們?nèi)绾巫尫诸惼鲗⒁郧皻w類為“熊貓”的圖像歸類為“長臂猿”？

我們可以簡單地認為被精心設(shè)計的輸入樣本導(dǎo)致了 ML 模型分類錯誤。

來源：《One Pixel Attack for Fooling Deep Neural Networks》

• 論文地址：https:///pdf/1710.08864.pdf

正如我們所見，優(yōu)化效果好到我們（用肉眼）無法察覺到真實圖像（左）和對抗圖像（右）之間的差異。實際上，造成分類錯誤的噪聲不是任何類型的已知信號。相反它是經(jīng)過精心設(shè)計用于發(fā)現(xiàn)模型中的隱藏誤差。并且最近的研究表明：在某些情況我們只需要改變1個像素，就可以成功誤導(dǎo)最好的深度學習分類器，詳細討論可以查看這篇論文：

• 論文地址：https:///pdf/1710.08864.pdf

在這一點上，我們可以看到問題開始相互疊加。我們不僅需要大量樣本來學習新任務(wù)，還需要確保我們的模型學習正確的表征。

油管視頻：https://www./watch?v=piYnd_wYlT8

我們看到深度學習系統(tǒng)失敗時產(chǎn)生了一個有趣的討論：為什么 我們?nèi)祟惒粫p易被對抗樣本誤導(dǎo)呢？

2、建立和利用先驗知識

有的人說當我們需要掌握一項新任務(wù)時，我們實際上并沒有從頭開始學習它。相反，我們使用了我們一生中積累的許多先驗知識。

牛頓發(fā)現(xiàn)萬有引力定律

我們了解重力及其含義，知道如果讓炮彈和羽毛從同一起點落下，由于兩個物體的空氣阻力不同，炮彈將先到達地面；知道物體不能漂浮在空中；了解有關(guān)世界運作方式的常識。我們知道如果我們自己的父親有孩子，他或她將是自己的兄弟姐妹；知道如果我們讀了一篇文章說某人出生于 1900 年代，那么他/她可能不再活著，因為我們（通過觀察世界）知道人們的壽命通常不會超過 120 歲。

我們了解事件之間的因果關(guān)系。最神奇的是我們實際上很早就學會了許多高級概念。實際上，我們僅用6~7個月就學會了重力和慣性等概念，而在這個時期我們與世界的互動幾乎為0！

來源：《Early Conceptual Acquisition in Infants [from Emmanuel Dupoux].》， Yann LeCun講義

• 論文地址：

  https://drive.google.com/file/d/12pDCno02FJPDEBk4iGuuaj8b2rr48Hh0/view

從這種意義上講，有人可能會說將算法性能與人類能力進行比較是“不公平的”。

Yann LeCun 在關(guān)于自監(jiān)督學習的研究中，認為至少有3種獲取知識的方法。

（1）通過觀察

（2）通過監(jiān)督（大部分來自家長和老師）

（3）通過強化反饋

論文地址：https://www./epflcampus/videos/1960325127394608

人類通過生活獲得不同知識的來源。通過觀察/互動、監(jiān)督和反饋來學習

但是如果以嬰兒為例，那么這個年齡與外界的互動幾乎沒有。盡管如此，嬰兒還是成功建立了物理世界的直覺模型。因此像重力這樣的高級知識只能通過純粹的觀察來學習——至少，我還沒有看到任何父母教一個6個月大的嬰兒物理。

直到我們長大一些掌握語言并開始上學時，監(jiān)督和互動（帶有反饋）才變得更加重要。但更重要的是，當我們處于生命的這些階段時，我們已經(jīng)建立了一個魯棒性的模型世界。這可能是人類比當前機器更高效處理數(shù)據(jù)的主要原因之一。

正如 LeCun 所說，強化學習就像蛋糕上的櫻桃。監(jiān)督學習是錦上添花，而自監(jiān)督學習才是蛋糕！

來源：Yann LeCun（https://drive.google.com/drive/folders/0BxKBnD5y2M8NUXhZaXBCNXE4QlE）

3、自監(jiān)督學習

自監(jiān)督學習系統(tǒng)學會通過輸入的其他部分預(yù)測輸入的一部分。

—— LeCun

自監(jiān)督學習源于無監(jiān)督學習， 解決從未標記的數(shù)據(jù)中學習語義特征的問題。本文中我們最關(guān)心的是在計算機視覺領(lǐng)域的自我監(jiān)督。

通常的方法是通過設(shè)計一個“名義任務(wù)”將無監(jiān)督的問題轉(zhuǎn)換為有監(jiān)督的任務(wù)。通常，名義任務(wù)不會有什么新的產(chǎn)出，它的目的是使網(wǎng)絡(luò)學習如何從數(shù)據(jù)中捕獲有用的特征。

名義任務(wù)與常見的監(jiān)督問題有相似之處。

我們知道監(jiān)督訓練需要標注。轉(zhuǎn)而變成通常需要人工標注者的不斷努力。但在許多情況下，標注非常昂貴或無法獲得。我們也知道學習模型天生需要數(shù)據(jù)，這導(dǎo)致大規(guī)模的標注數(shù)據(jù)集已成為學習模型進一步發(fā)展的主要壁壘之一。

同樣，自監(jiān)督學習也需要標注來訓練名義任務(wù)。然而與名義任務(wù)的關(guān)鍵不同在于：用于名義任務(wù)的標注（偽標注）的特征是不同的。

實際上對于自監(jiān)督訓練，偽標簽僅來自數(shù)據(jù)特征本身。

換句話說偽數(shù)據(jù)不需要人工標注。確實，自我學習和監(jiān)督學習之間的主要區(qū)別在于標注的來源。

（1）如果標注來自標注者（像大多數(shù)數(shù)據(jù)集一樣），則這是一項監(jiān)督任務(wù)。

（2）如果標注是從數(shù)據(jù)中獲取，那么在這種情況下我們可以自動生成它們，則這是一項自監(jiān)督學習。

最近的研究提出了許多名義任務(wù)。最常見的有：

（1）圖片旋轉(zhuǎn)（Rotation）

（2）圖像拼接（Jigsaw puzzle ）

（3）圖像著色（Image Colorization）

（4）圖像修復(fù)（Image inpainting）

（5）用 GANs 生成圖像/視頻（Image/Video Generation using GANs）

如果想要了解更多關(guān)于每個 pretext 任務(wù)的介紹，可以查看《Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey》這篇論文：

• 論文地址：https:///abs/1902.06162