人工智能新突破：计算机正在学习从更高维度观察世界( 七 )_神译局是36氪旗下编译团队

用这种方式改变滑动滤波器的属性能让CNN更好地“理解”某些几何关系。比方说，这种神经网络可以自动识别出弯曲成两个不同姿势的3D形状（比方说，一个站立的人像和抬起一条腿的人像）是同一对象的实例，而不是两个完全不同的对象。这种改变也使得神经网络的学习效率大大提高。 Bronstein说，标准的CNN“要使用数百万个形状的样本，而且需要训练数周。我们只用了不同的姿势的大概100种形状，训练只用了约半小时。 ”

同时， Taco Cohen和他在阿姆斯特丹的同事开始从相反的方向去解决同一问题。 2015年，当时还是研究生的Cohen并没有研究如何让深度学习摆脱平面。相反，他对自认为很实用的一个工程问题很感兴趣：那就是数据效能，或者说，通常训练神经网络需要数千或数百万个样本，怎么才能把这个数量减少？Cohen说：“深度学习方法可以说是非常迟钝的学习者。 ” 如果训练CNN是用来识别猫（互联网最不缺猫的图像）的话，几乎是不成问题的。但是，如果你想让网络检测出更重要的内容，比方说肺组织图像里面的癌性结节的话，想要找到足够的训练数据（需要在医学上进行准确适当的标记并且没有隐私问题）并非易事。训练网络所需的样本越少越好。