選自Google AI Blog
機器之心編譯
參與：Panda
無限寬的神經網路可以訓練了？神經正切核果然可以發揮作用了。
近日，谷歌一項研究成果在社群引發了關注，該研究宣稱可透過神經正切核（Neural Tangent Kernel）使用貝葉斯推理或梯度下降分析式地訓練無限寬度的神經網路。使用谷歌開源的軟體庫 Neural Tangents，這個過程不僅簡單且快速，而且效果非常好，甚至只需 5 行程式碼就能一步到位地構建並訓練這種無限寬度網路的整合模型！該論文已被 ICLR 2020 接收為 Spotlight 論文，相關連結見文末。
在自然語言處理、會話智慧體和連線組學等許多領域，深度學習都已取得了廣泛的成功，機器學習領域的研究圖景也已經發生了變革。不過，仍還有一些有趣而又重要的問題有待解答，比如：為什麼即使在過度引數化時，深度神經網路（DNN）也能取得非常好的泛化能力？深度網路的架構、訓練和效能之間有何關係？如何提取出深度學習模型中的顯著特徵？
我們何以在近些年裡取得了如此的進步？一大關鍵理論見解是：增加 DNN 的寬度能使 DNN 的行為更有規律可循，也就人更容易理解它們。近來的許多研究已經表明，寬度可無限擴增的 DNN 可以收斂成另一類更為簡單的名為「高斯過程（Gaussian processes）」的模型。因此，貝葉斯推理與卷積神經網路的梯度下降情況等複雜現象便可約簡為簡單的線性代數方程。從這些無限寬度網路所得到的見解通常也適用於它們對應的有限版本。因此，無限寬度網路可用作研究深度學習的透鏡，而且它們本身也可用作有用的模型。
左圖：深度神經網路變得無限寬時推導輸入/輸出對映關係的示意圖。右圖：隨著神經網路寬度的增長，可以看到在網路的不同隨機初始化上得到的輸出分佈逐漸變成高斯分佈。
不幸的是，推導有限網路的無限寬度極限需要大量數學專業知識，而且必須針對每種不同架構專門研究。一旦推導得到了無限寬度模型，如果要得到一種高效且可擴充套件的實現，還進一步需要大量工程開發專業技能。總的來說，將有限寬度模型擴充套件成對應的無限寬度網路的這個過程可能耗費數月時間，而且這個研究本身就足以支撐起一篇研究論文。
為了解決這個問題，谷歌開源了一個用 Jax 寫的開源軟體庫 Neural Tangents。谷歌宣稱這個軟體庫可讓無限寬度神經網路的構建與訓練變得與有限寬度神經網路一樣簡單。究其核心，Neural Tangents 提供了一個易於使用的神經網路軟體庫，其可同時為神經網路構建有限和無限寬度的版本。
舉個實際使用 Neural Tangents 的例子：假設要在某些資料上訓練一個全連線神經網路，通常的做法是隨機初始化一個神經網路，然後使用梯度下降來訓練它。初始化並訓練許多這樣的神經網路可以得到一個整合模型。這個整合模型中各個模型成員都會給出一個預測結果，而為了得到最終結果，研究者和實踐者通常的做法是求取這些結果的平均。這種做法通常能取得更好的表現。此外，整合模型中各個模型成員的預測結果還可用於估計不確定度。但訓練整合模型也有缺點，即計算成本的預算很高，因此人們通常會避免這樣操作。但是，如果神經網路的寬度變得無限大，就可以用一個高斯過程來描述這個整合模型了，而且這個高斯過程的均值和方差都可在訓練過程中計算得到。
谷歌表示，使用 Neural Tangents，只需 5 行程式碼就能一步到位地構建並訓練這種無限寬度網路的整合模型！下面展示了所得到的訓練過程，而且谷歌還發布了一個可以嘗試這一實驗的互動式 Colab 筆記：
儘管事實上這種無限寬度的整合模型受一個簡單的閉式表示式的控制，但它卻能表現出與有限寬度整合模型的一致性。而且因為這種無限寬度的整合模型是一個高斯過程，所以它自然就能提供閉式的不確定度估計（上圖中填充顏色的區域）。這些不確定度估計與在訓練有限網路的許多不同副本（虛線）時所觀察到的預測變化範圍是緊密一致的。
上面的例子表明，無限寬度神經網路有習得並獲取訓練動態的能力。不僅如此，使用 Neural Tangents 構建的網路適用於任意可應用常規神經網路解決的問題。谷歌又給出了一個例子。下面比較了使用 CIFAR-10 資料集訓練的三個不同的無限寬度神經網路架構。Neural Tangents 表現出色：不管是用梯度下降還是用完全貝葉斯的推理，都能以閉式形式評估無限寬殘差網路等高度複雜的模型所組成的整合模型。而如果用有限寬度模型，這個任務根本無法解決。
可以看到，無限寬度網路與有限寬度網路相似，遵循著類似的層次結構：全連線網路的表現不及卷積網路，而卷積網路又趕不上寬殘差網路。但是，不同於常規的訓練方法，這些模型的學習動態完全可用閉式方法解決，這能讓人以前所未有的方式理解這些動態，進而有助於揭開機器學習背後的奧秘，開啟已困擾 AI 領域良久的深度學習黑箱。
想必現在你也想親自探索一番了，以下連結中一定有你最感興趣的探索形式：
論文：
Colab 筆記教程：
GitHub 程式碼庫：
參考連結：
http://ai.googleblog.com/2020/03/fast-and-easy-infinitely-wide-networks.html