查尔斯·巴贝奇的分析引擎在深度学习领域一展身手

查尔斯·巴贝奇的分析机一直没能完工,但这不重要。重要的是它的想法:机器能计算所有可以被计算的东西。这基本就是图灵完备的定义,然而阿兰·图灵80年后才出生。巴贝奇早在1834年就制定了他的计划,甚至比英国引入电力还早上个好几十年。

 

这个机器由大量的基于齿轮的加法单元组成,这些单元以一种很巧妙的方式按列排好,从而能够进行四则运算。关键是,它能够将结果存储在穿孔卡片上,还能从穿孔卡片中读取程序(“公式”)。这很像你阅读本文时使用的基于汇编语言的电子设备。正是这些原子操作(指令)让机器在理论上能够拥有无限的可计算性。

英国组合数学家亚当·P·古彻希望通过模拟分析引擎来实现一个卷积神经网络(一种深度学习的实现形式)。而上文提到的无限性是这个问题的核心部分。幸运的是,只使用巴贝奇提出的的分析引擎所提供的原子操作、存储器(RAM式)以及速度来进行编程是一件比较简单的事。

细节见上面的演讲视频,这视频比较短也容易理解。(你还能学到一些有关神经网络知识)。最终,古彻的程序能够以96%的准确率识别出手写的数字。训练这个神经网络大概使用了20000张照片。

这是古彻的博客,里面有一张这个机器运行时的图片,“点”代表识别错误,“星号”代表识别正确。(这不正是人类学习的过程吗:尝试、犯错、记忆)

在他的博客中,古彻提到这个程序有412663行代码,每一行相当于巴贝奇的引擎中的一张穿孔卡片。如果叠起来的话,大概有迪拜的哈利法塔那么高。

一迈译者:杨俊晔

Via: motherboard

发表评论

电子邮件地址不会被公开。