本文目录
为什么inception翻译成盗梦空间，有什么联系
电影英文原名：Inception
是开始、开端的意思
但是中文译名不是单纯的翻译了这个单词
而是根据电影内容的关键词：盗窃、梦、不断转换的空间
来翻译的，个人感觉翻译的挺准确的。
可以想象一下，如果电影真的叫“开始”
那大部分观众，是不会选择去看这么一个名字的电影的
就像“金刚狼3：殊死一战”的原名：Logan
直译“罗根”，有情怀的人或者粉丝
当然明白这是给金刚狼的一生，来个总结的意思
但是普通观众，谁能明白这是个什么呀。
深度学习是什么意思
深度学习是近几年来随着信息社会发展、学习科学发展及课程改革向纵身推进而出现的一种新的学习样态和形式。
关于深度学习的概念解释，目前有多种答案，不少专家学者都作出了本质含义一致到表述略有不同的解释。
黎加厚教授认为，深度学习是在理解的基础上，学习者能够批判地学习新思想和事实，并将它融入原有的认知结构中，能够在众多思想间进行联系，并能够将已有知识迁移到新的情境中，做出决策和解决问题的学习。
郭华教授认为，深度学习是在教师的引领下，学生围绕具有挑战性的学习主题，全身心地积极参与、体验成功、获得发展的有意义的学习过程，并具有批判理解、有机整合、建构反思与迁移应用的特征。
深度学习具有几个特质。一是触及人的心灵深处的学习。二是体验式学习。三是深刻理解与实践创新的学习。
深度学习是培养学生学科素养、创新能力，提高学生学习质量效果、促进教学改革的新的学习型态，也是目前教学改革所追求的目标与境界之一。
如何理解自动化机器学习
过去十年，谷歌在人工智能领域的重重突破，有很大一部分和 Quoc Le 有关。这位出生在越南的谷歌研究员像是一个人工智能的信徒，坚信机器学习能够解决一切让人烦恼的问题，即使存在失败的可能性，他也乐在其中。AutoML 则是他最新的研究方向，也是被认为将改变整个深度学习发展进程的技术。正如此，我们希望从和 Le 的采访中探寻围绕在 AutoML 的真相和未来。
在这场一个小时的采访里，笔者印象最深刻的是下面的两句话：1. 我们做到了自动化机器学习，之后就只是规模化的问题。2. 我预计未来两年内，至少在计算机视觉领域内，最好的网络会是 AutoML 生成的，而不是人工设计的。
作为谷歌大脑的创始成员和 AutoML 的缔造者之一，Quoc Le 算得上是人工智能研究领域的原住民了。
2011 年在斯坦福大学读博时，Le 和他的老师吴恩达以及谷歌大脑的研究人员一起，基于千万张 YouTube 图像开发了一个能够识别猫的无监督学习系统；2014 年，他将深度学习技术应用在自然语言理解任务上，提出了能将文本转换为向量表征、基于循环神经网络的 Seq2Seq 学习模型，将机器翻译的前沿水平又向前推进了一步。这为谷歌之后在自然语言机器翻译方面的突破奠定了基础。
自 2014 年以来，Le 开始将目光转向了自动化机器学习（AutoML）。构建机器学习模型的过程需要反复的人工调整：研究者会在初始的模型上尝试不同的架构和超参数，在数据集上评估模型的表现，再回头进行修改；这个过程会反复进行，直到达到最优。
Le 认为可以把它想成是一个试错问题，继而通过机器学习解决：「可以看看强化学习以及机器学习下围棋的方式，基本上就是试错。」
2016 年，Le 与一位谷歌研究者合作发表了一篇开创性的论文《Neural Architecture Search with Reinforcement Learning》。其核心思想类似于搭建积木：机器从一个定义空间中选取自己所需的组件来构建神经网络，然后使用一种试错技术，也就是—强化学习—来提升其准确度。这种方法得到了令人惊喜的结果，机器所生成的模型的表现可媲美人工调节的最佳模型。
Le 的研究成果催生了 Google Cloud AutoML，能让机器学习知识有限的开发者也能训练出高质量的模型。不出所料，AutoML 迅速成为了今年最热门的研究主题之一，科技巨头与创业公司纷纷跟随谷歌的脚步，投入这项新技术。
Google Cloud 在今年年初发布了 AutoML 视觉，之后又发布了 AutoML 翻译和语言
机器之心近日视频采访了 Quoc Le 博士。这位谦逊的 36 岁越南裔人工智能专家谈到了他的灵感来源、AutoML 背后的技术和前方的道路及其在机器学习领域内扮演的重要新角色。这位站在许多变革性技术背后的人有怎样的见解呢？请看后文。为了简洁和明晰，采访内容进行过适当。
在即将于 11 月 9 日 于加利福尼亚州圣何塞举办的 AI Frontiers 会议上，Quoc Le 将发表主题为「使用机器学习自动化机器学习」的演讲，特别将关注神经架构搜索和自动数据增强 AutoAugment。
灵感
您在何时开始想要设计一种新的神经架构搜索方法？是什么启发了你？
那是在大概 2014 年的样子，这个过程随时间逐渐发生的。我是一位机器学习工程师。当你一直以来都在做神经网络方面的工作时，你会意识到很多工作都需要人工调整，也就是人们说的「超参数」——神经网络的层数、学习率、网络中所使用的层的类型。AI 研究者往往会根据某些原则开始调整，然后这些原则会随时间变得不那么有效，他们再尝试不同的策略。
我关注了 ImageNet 竞赛中的某些进展，也见证了谷歌的 Inception 网络的发展。我便开始思考我想做些什么，但那时的想法还不清晰。我喜欢卷积网络，但我不喜欢一个关于卷积网络的事实：卷积网络中的权重并不彼此共享。所以我就想，也许我应该开发一种全新的机制，能真正学会如何在神经网络中共享权重。
随着我的工作推进，我对此的直观理解也越来越多，我开始发现：研究者们所做的事情是将一些已有的构建模块组合到一起，然后尝试它们的效果。他们看到准确度有一定提升。然后就说：「很好，也许我刚引入了一个好想法。试试看保留我刚刚引入的好东西，但用某些新东西替换旧有的部分会怎样呢？」他们就这样继续这一过程，这个领域的专家可能会尝试数百种架构。
在 2016 年左右，我当时在思考如果这个过程需要如此之多的试错，那我们就应该使用机器学习来自动化，因为机器学习本身也是基于试错的。可以看看强化学习以及机器学习下围棋的方式，基本上就是试错。
我研究了做成这件事将需要多少真正的计算资源。我的想法是，如果是一个人类，那可能会需要一百个网络来试错，因为人类已经有大量直觉知识和大量训练了。如果你使用算法来做这件事，那你的速度可能会慢上一两个数量级。我认为实际上慢一两个数量级也不算太差，而且我们已经有充足的计算资源来做这件事了。所以我决定与一位培训生（Barret Zoph，现在已是谷歌大脑的一位研究者）一起启动这个项目。
我之前没想到这会如此地成功。我当时认为我们能做到的最佳结果可能是人类水平的 80%。但这位培训生非常优秀，他实际上做到了与人类媲美的水平。
许多人告诉我：「你花费了如此之多资源，就只为达到了人类水平？」但我从这个实验中看到的是现在我们可以做到自动化机器学习。这只是一个规模问题。所以如果你的规模更大，你就能得到更好的结果。我们继续开展了第二个项目，采用了甚至更大的规模并在 ImageNet 上进行了研究，然后开始得到了真正非常出色的结果。
您有这个想法有告诉 Jeff Dean 吗？他是什么反应？
嗯，他非常支持。实际上我也想感谢 Jeff Dean 在这个想法的初期所提供的帮助。
我记得在 2014 年，有一次和 Jeff 吃了一顿午餐，他也分享了非常类似的看法。他认为如果仔细了解那时候的深度学习研究者所做的事情，就会发现他们当时会花大量时间来在超参数等方面调整架构。我们认为一定存在一种自动化这
