第三章 神经网络萃取隐蔽相关性（第8页）

但这个世界第一意义不大，因为没有在网络结构上和算法上有任何创新，当时人家一个研究生Alex一举提高10个百分点，你扑上去几十上百人提高0.1个百分点，不算本事。

对不懂卷积神经网络的投资人、股民、政府官员来说，这块“世界第一”

的牌子还挺唬人的。

但读到这里你以后就不会被忽悠了。

更有用的是通过识别一张图片中所有的物体，甚至发现物体之间的关系来“理解”

这张图片。

譬如机器看完一张图片后会说出来“蓝天白云下，一位戴草帽的年轻妈妈在草地上教孩子学走路，她们的小狮子狗在旁边卧着”

。

X光读片也是卷积神经网络一个很好的应用。

假如要在胸片中发现早期肺癌，就需要拿大量已经确诊的早期肺癌片子来训练机器，这样训练好的机器就可以快速地发现肺癌。

随着X光仪、CT机等医疗成像设备的普及，有经验的读片医生非常稀缺。

特别是在小城市、县城、乡村更缺乏这样的好医生。

如果机器读片能够达到甚至超过北京、上海大医院有经验的医生，将是普惠医疗的一个巨大进展。

我们在第六章会专门讲AI在医疗健康领域的应用，包括X光读片的现状和挑战。

卷积神经网络虽然应用很广，但它解决不了一些重要的问题，如股票预测和自然语言理解。

下面我们就介绍可以解决这类问题的另一个很牛的网络。

处理序列信息的循环神经网络

为什么需要循环神经网络

卷积神经网络可以处理图像分类和识别。

图像信息处理的特点是一张图像的所有信息同时给你，而且下一张图像和上一张图像可以完全没有关系，就像是吃一盘饺子，先吃哪个后吃哪个都无所谓。

但自然界还有另外一类信息和图像不同，信息的先后顺序很重要，不能前后颠倒，像自然语言、股票曲线、天气预报数据等。

和图像信息的另一个不同之处在于这些信息是连续产生的，无法分成一块一块的，像一次喝进去一瓶啤酒，你无法清楚地分成几十“口”

，你就是这么咕嘟咕嘟连着灌下去的。

我们把图像这样不分先后的信息称为“空间信息”

，把连续的、有先后顺序的称为“时间信息”

或“序列信息”

。

卷积神经网络每次能处理的信息都是个固定的量，所以不适合处理连续发生的信息。

于是，一种不同的神经网络——循环神经网络就应运而生了，它的结构比卷积神经网络还复杂。

但循环网络背后的直觉和道理不难懂，其实掌握一门学科最重要的是理解背后的直觉，有些研究生、工程师可以背很多方程式，写很多程序，但对背后的直觉并不清晰，这就大大限制了他们的想象力和创造力。

我们这本书的目的不是要把大家训练成工程师，而是通过弄懂背后的道理来对这个未来的大潮流有高屋建瓴的理解，从而产生全局性的把握。

在介绍循环神经网络之前，我们先看个例子。

譬如我们在下面的句子里猜词填空：“我是广东人，会讲_____话。”

在这里如果我们没有看到第一句“我是广东人”

就很难填空。

这就是一个典型的根据前面出现的信息对后面可能会出现的信息的预测。

循环神经网络就特别适合处理这类问题。

这个网络有两个特点，分别对应时间序列信息的两个特点：一是输入端可以接收连续的输入，二是可以记住信息的先后顺序。

循环神经网络背后的直觉

现在我们看看循环神经网络如何做这样的预测。

本章未完，点击下一页继续阅读