【新智元導讀】MIT座右銘是“Mens et Manus”：理論、實踐兩手抓，兩手都要硬。MIT的課程設置也秉承了動腦更要動手的原則，具有很高的實操性。今天我們向大家介紹一門MIT新課6.S191：深入“深度學習”。
MIT官方座右銘是“Mens et Manus”：理論、實踐兩手抓，兩手都要硬。MIT的課程設置也秉承了動腦更要動手的原則，具有很高的實操性。
6.S191：深入”深度學習“是MIT正式提供的入門課程，已在其課程網站上開源。
該課程共9課時，全免費。包括一系列關於神經網絡基礎知識的基礎講座及其在序列建模、計算機視覺、生成模型和強化學習中的應用。
視頻、代碼等資源下載地址見文末。
課程簡介
理論部分主要是線下講座。MIT將線下講座錄製成視頻並放在了YouTube上，供大家隨意觀看。
講座內容會從神經網絡的基礎知識開始，然後講到完全連接的網絡和反向傳播算法; 再到通過循環和卷積神經網絡，生成模型和深度強化學習的旅程; 並探索現代深度學習研究不斷擴大的前沿等等。
而實踐部分，MIT設計了三個開源、交互的TensorFlow軟件lab，涵蓋了TensorFlow的基礎知識。例如，用於音樂生成的復現神經網絡模型、計算機視覺、消除偏見的面部識別系統和深度強化學習。
lab運行在谷歌的Colaboratory環境中，只需要你有一個谷歌賬戶即可。互動部分包括一部分“TODO”代碼塊，供你來完成。MIT將指導學生如何使用TensorFlow的Keras API及其新的命令執行風格，來定義和訓練深度學習模型。
接下來，我們來分別介紹一下這3個lab：
Lab介紹
Lab 1：介紹TensorFlow及音樂生成
第1講側重於神經網絡基礎。因此lab 1中的第一個模塊簡單介紹了TensorFlow，為即將發佈的TensorFlow 2.0做準備。
TensorFlow練習的介紹中，特別強調了幾個關鍵概念：如何使用數學運算符執行計算；如何定義神經網絡模型；以及如何使用自動微分來訓練具有反向傳播的網絡。
lab 1的第二個模塊直接進入構建和RNN進行音樂生成，旨在配合第2講深度序列建模。
通過第二模塊，你將能夠構建一個人工智能算法，生成全新的、從未聽過的愛爾蘭民歌。為什麼愛爾蘭民間音樂不是二人轉啥的呢？因為課程設計者特別喜歡下面這個萌萌噠☘谷歌Doodle。動圖中的幾個☘們正在表演傳統的愛爾蘭民歌。
通過填寫代碼塊以定義RNN模型，使用愛爾蘭民歌的數據集（在ABC表示法中）訓練模型，使用學習的模型生成新歌曲，然後播放生成的內容來檢驗你的模型的成果如何。
下面是一段示例音樂：
Lab 2：計算機視覺：消除偏見的面部檢測系統
Lab 2伴隨著深度計算機視覺和深度生成模型的講座。
第1部分通過卷積神經網絡（CNN）的示例提供了對基本神經網絡架構的實現的持續實踐，用於對著名的MNIST數據集中的手寫數字進行分類。
第2部分更進一步，探討了應用深度學習的兩個突出例子：面部檢測和算法偏見。
儘管神經網絡在識別圖像中的面部識別的消除偏見方面表現非常出色，但最近有很多人關注這些人工智能會遭受隱藏的算法偏見。事實證明，深度學習本身可以幫助對抗這種偏見。
MIT基於變分自動編碼器（VAE）訓練了一個模型，該模型學習特定任務，如面部檢測、以及訓練數據的基礎結構。
反過來，該算法使用這種學習的潛在結構，來揭示隱藏的偏見，並將其影響降低至最小化。
當應用於面部檢測任務時，與最先進的模型相比，MIT的算法降低了分類偏見並保持了非常高的整體準確性。
這個軟件lab將教會你如何構建這個去除模型，並評估其在消除面部檢測任務方面的功效。
除了考慮算法偏見及如何對抗之外，你還將獲得VAE的實操經驗，這種架構通常不會在深度學習實施教程中突出顯示。
更重要的是，這種方法可以應用於面部檢測以外的任何環境！
下面是一段示例代碼：
Lab 3：無模型強化學習
這個lab開始，你講接觸到深層強化學習的基礎技巧。
與之前專注於監督和無監督學習的lab相比，強化學習旨在教會代理人如何在世界上行動以最大化自己的獎勵。
Tensorflow的強制執行為RL提供了一種簡化的方法，你可以在lab 3中，從頭開始完整的編寫一段程序。
我們專注於學習兩個任務：控制（例如Cart-Pole）和遊戲（例如Pong）。MIT會分配學生一個任務：建立一個模塊化的RL框架，只使用一個“RL大腦”來學習這兩個截然不同的環境。
處理這些基線環境為學生提供了迅速掌握快速創建新算法原型的方法。學生們最終能夠具體瞭解如何實施RL培訓程序，並將這些想法用作最終項目中的模板。
資源下載
課程視頻：
https://youtu.be/5v1JnYv_yWs?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI
lab代碼：
https://github.com/aamini/introtodeeplearning_labs/
TensorFlow官網：
https://www.tensorflow.org/
參考鏈接：
https://medium.com/tensorflow/mit-introduction-to-deep-learning-4a6f8dde1f0c?linkId=64189766
閱讀更多 新智元 的文章
