普林斯顿学生深入研究深度学习计算

10月16日至17日，约60名普林斯顿研究生和博士后以及少数本科生探索了计算机视觉任务中使用最广泛的深度学习技术，并深入研究了使用新的并行计算程序来显着加快应用程序的速度。

自20世纪50年代早期的乐观情绪涌现以来，人工智能的较小子集，首先是机器学习，然后是深度学习，造成了越来越大的破坏。

为期两天的研讨会由NVIDIA深度学习研究所的专家主持，由普林斯顿计算科学与工程研究所(PICSciE)赞助，PICSciE是普林斯顿研究计算联盟的一部分，并由统计和机器学习中心共同赞助。

深度学习，也许是机器学习中发展最快的一个分支，它在人脑分析信息和做出预测的复杂和非线性方式之后松散地对自己进行建模。计算机视觉程序员意识到，到3岁时，幼儿已经吸收了他们在周围世界中看到的数亿个物体的信息;正是这种大量多样的数据输入训练它们在非常不同的环境中识别同一物体。

NVIDIA解决方案架构师BradPalmer表示：“我们训练人工神经网络以某种类似的方式识别和分类事物。”“该算法在不同情况下看到的对象越多，就越能更好地识别该对象。”(普林斯顿大学教授KaiLi、PaulM.Wythes和MarciaR.Wythes计算机科学教授以及PICSciE的相关教员参与了创建世界上最大的视觉数据库Imagenet的团队，Imagenet是计算机视觉的重要培训资源程序员。)

深度学习研讨会的一位参加者是普林斯顿计算机科学博士生KseniaSokolova，她与OlgaTroyanskaya计算机科学教授和Lewis-Sigler综合基因组学研究所以及PICSciE的相关教员一起从事一个研究项目。Sokolova说她参加研讨会是因为这项技术在基因组学研究和精准医学方面的潜力。“我目前正在研究一种深度学习模型，该模型将帮助我们更好地了解DNA突变与人可能患有的疾病之间的依赖关系，”她说。

在JadwinHall举行的为期一天的深度学习研讨会的休息时间，计算机科学博士生KseniaSokolova(右)与地球科学研究生RyanManzuk交谈。

Sokolova补充说：“基因组学非常适合深度学习;有大量复杂的数据需要解释。我认为对这些方法和应用有广泛的了解很重要，而且我发现这个研讨会是对使用神经网络及其计算机视觉应用的精心准备和结构化的介绍。

“当人们开始从事深度学习时，他们没有意识到训练参数对性能的影响程度。例如，准确率低可能是由于网络的训练方式，而不是网络架构。”

Troyanskaya说：“我们可以使用该信息给出一个单一的影响评分，该评分表明突变是否看起来是人类疾病突变以及它是否可能具有功能性。”她的跨学科团队包括生物信息学、机器学习、统计学、算法和生物学方面的专家，共同努力将计算预测转化为关于阿尔茨海默病、自闭症、乳腺癌和肾病等不同研究领域的可检验假设。

NVIDIA高等教育研究团队的两名成员罗纳克·沙阿(RonakShah)和乔纳森·本茨(JonathanBentz)指出，每次他们与教师和学生研究人员互动时，“普林斯顿差异”都很明显。“在普林斯顿，我们看到了一种进步的科学方法，拥有大量本土应用程序，例如由JeroenTromp领导的理论和计算地震学小组创建的开源软件包，”Shah说。“我觉得普林斯顿的高研究成果与开发新计算科学技术的研究人员数量之间存在很强的相关性。”

Bentz补充说：“普林斯顿计算研究与大学研究小组之间的关系令人非常兴奋。PICSciE和OITResearchComputing的组织方式使大学的高性能计算资源、其工作人员和继续在各自领域开展开创性工作的研究小组之间进行了高效协作