谷歌重磅开源新技术：5行代码打造无限宽神经网络模型

只要网络足够宽，深度学习动态就能大大简化，并且更易于理解。

最近的许多研究结果表明，无限宽度的DNN会收敛成一类更为简单的模型，称为高斯过程（Gaussian processes）。

于是，复杂的现象可以被归结为简单的线性代数方程，以了解AI到底是怎样工作的。

开箱即用，5行代码打造无限宽神经网络模型

Neural Tangents 是一个高级神经网络 API，可用于指定复杂、分层的神经网络，在 CPU/GPU/TPU 上开箱即用。

该库用 JAX编写，既可以构建有限宽度神经网络，亦可轻松创建和训练无限宽度神经网络。

有什么用呢？举个例子，你需要训练一个完全连接神经网络。通常，神经网络是随机初始化的，然后采用梯度下降进行训练。

研究人员通过对一组神经网络中不同成员的预测取均值，来提升模型的性能。另外，每个成员预测中的方差可以用来估计不确定性。

如此一来，就需要大量的计算预算。

但当神经网络变得无限宽时，网络集合就可以用高斯过程来描述，其均值和方差可以在整个训练过程中进行计算。

而使用 Neural Tangents ，仅需5行代码，就能完成对无限宽网络集合的构造和训练。

from neural_tangents import predict, stax  init_fn, apply_fn, kernel_fn = stax.serial(     stax.Dense(2048, W_std=1.5, b_std=0.05), stax.Erf(),     stax.Dense(2048, W_std=1.5, b_std=0.05), stax.Erf(),     stax.Dense(1, W_std=1.5, b_std=0.05))  y_mean, y_var = predict.gp_inference(kernel_fn, x_train, y_train, x_test, ‘ntk’, diag_reg=1e-4, compute_cov=True)

传送门

论文地址：https://arxiv.org/abs/1912.02803

谷歌博客：https://ai.googleblog.com/2020/03/fast-and-easy-infinitely-wide-networks.html

GitHub地址：https://github.com/google/neural-tangents

Colab地址：https://colab.research.google.com/github/google/neural-tangents/blob/master/notebooks/neural_tangents_cookbook.ipynb