谷歌发布颠覆性研究：不训练不调参，AI自动构建超强网络

本文经AI新媒体量子位（公家号ID:QbitAI）授权转载，转载请接洽出处。

呆板进修端赖调参？这个思绪已颠末期了。

谷歌大脑团队宣布了一项新研究：

只靠神经收集架构搜刮出的收集，不实习，不调参，就能直接执利用命。

这样的收集叫做WANN，权重不行知神经收集。

它在MNIST数字分类使命上，未经实习和权重调解，就到达了92%的精确率，和实习后的线性分类器示意相等。

除了监视进修，WANN还能胜任很多强化进修使命。

团队成员之一的大佬David Ha，把成就发上了推特，已经得到了1300多赞：

那么，先来看看结果吧。

结果

谷歌大脑用WANN处理赏罚了3种强化进修使命。

（给每一组神经元，共享统一个权重。)

第一项使命，Cart-Pole Swing-Up。

这是经典的节制使命，一条滑轨，一台小车，车上一根杆子。

小车在滑轨的范畴里跑，要把杆子从天然下垂的状态摇上来，保持在竖立的位置不掉下来。

(这个使命比纯真的Cart-Pole要难一些：

Cart-Pole杆子的初始位置就是向上竖立，不必要小车把它摇上来，只要保持就可以。)

难度表此刻，没有步伐用线性节制器 (Linear Controller) 来办理。每一个时刻步的嘉奖，都是基于小车到滑轨一头的间隔，以及杆子摆动的角度。

WANN的最佳收集 (Champion Network) 长这样：

它在没有实习的状态下，已经示意优秀：

示意最好的共享权重，给了团队异常满足的功效：只用屡次摆动便到达了均衡状态。

第二项使命，Bipedal Waker-v2。

一只两足“生物”，要在随机天生的阶梯上往前走，越过凸起，跨过陷坑。嘉奖几多，就看它从出发到挂掉走了多长的路，以及电机扭矩的本钱 (为了勉励高效行为) 。

每条腿的行为，都是由一个髋枢纽、和一个膝枢纽来节制的。有24个输入，会指导它的行为：包罗“激光雷达”探测的前线地形数据，本体感觉到的枢纽行为速率等等。

比起第一项使命中的低维输入，这里也许的收集毗连就更多样了：

以是，必要WANN对从输入到输出的布线方法，有所选择。

这个高维使命，WANN也优质完成了。

你看，这是搜刮出的最佳架构，比适才的低维使命伟大了很多：

它在-1.5的权重下飞跃，长这样：

第三项使命，CarRacing-v0。

这是一个自上而下的 (Top-Down) 、像素情形里的赛车游戏。

一辆车，由三个持续呼吁来节制：油门、转向、制动。方针是在划定的时刻里，颠末尽也许多的砖块。赛道是随机天生的。

研究职员把表明每个像素 (Pixel Interpretation) 的事变交给了一个预实习的变分自编码器 (VAE) ，它可以把像素表征压缩到16个隐藏维度。

这16维就是收集输入的维度。学到的特性是用来检测WANN进修抽象关联 (Abstract Associations) 的手段，而不是编码差异输入之间显式的几许关系。

这是WANN最佳收集，在-1.4共享权重下、未经实习的赛车成就：

固然路走得有些蜿蜒，但很少偏离跑到。

而把最佳收集微调一下，不消实习，便越发顺滑了：

总结一下，在简朴水和善模块化水平上，第二、三项使命都示意得优越，两足节制器只用了25个也许输入中的17个，忽略了很多LIDAR传感器和膝枢纽的速率。

WANN架构不止能在不实习单个权重的环境下完成使命，并且只用了210个收集毗连(Connections) ，比当前State-of-the-Art模子用到的2804个毗连，少了一个数目级。

做完强化进修，团队又对准了MNIST，把WANN拓展到了监视进修的分类使命上。

一个平凡的收集，在参数随机初始化的环境下，MNIST上面的精确率也许只有10%阁下。

而新要领搜刮到的收集架构WANN，用随机权重去跑，精确率已经高出了80%；

假如像方才提到的那样，喂给它多个权值的合集，精确率就到达了91.6%。

比拟一下，颠末微调的权重，带来的精确率是91.9%，实习过的权重，可以带来94.2%的精确率。

再比拟一下，拥有几千个权重的线性分类器：

壹贝偾和WANN完全没实习、没微调、仅仅喂食了一些随机权重时的精确率相等。

论文里夸大，MINST手写数字分类是高维分类使命。WANN示意得很是精彩。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!