熟悉電子游戲的讀者也許聽說過約翰·卡馬克（John Carmack），在游戲領域，這個名字稱得上是偶像級別的存在：3D引擎之父、第一人稱射擊游戲教父、電腦怪才……和那個時代的科技大牛一樣，他自學成才，考上名校，繼而輟學入職，投身游戲軟件開發。他是個兼具數學家和哲學家氣質的程序員，也是個只想寫出好代碼的純粹的天才。那么，面對洶涌而來的人工智能浪潮，這位老一輩的程序員會有什么看法呢？

經歷了一周努力學習，近日，約翰·卡馬克在他的Facebook上發表了一篇名為1-week experience learning neural networks from scratch的學習心得，引起了網友的廣泛關注，以下是論智編譯的原文

隔了這么多年后，我終于找了一個遠離工作事務紛擾的角落，撿起編程，以一個隱居者的心態學習了一周。在過去的幾年里，我的妻子一直慷慨地提供給我這樣的環境，但我始終無法從工作中脫身，連休假期間都不得安寧。

而現在，隨著我在Oculuss中工作進展的變化，我想從頭開始用C++編寫一些神經網絡實現。我計劃挑選的操作系統是標準、準確的OpenBSD，有人說我的選擇太隨意了，可事實證明它確實沒問題。

說實在的，雖然我一直很欣賞OpenBSD的想法——這是一個相對簡單同時又頗具見地的操作系統，它目標精準，重視程式碼的品質和工藝，但之前我并沒有用過它。Linux什么都好，可惜的是這些優點它都沒有。

這倒也不是說我是個UNIX geek。我最喜歡的還是Windows的Visual Studio，所以其實我完全可以回避這些問題。我只是單純覺得在老式UNIX風格下進行長達一周的沉浸式工作會很有趣，即使進度會慢一些。這是復古計算的一次冒險——是fvwm & vi，而不是vim，是BSD vi。

而且我并沒有真正探索完整個系統，因為我把95%的時間都花在基礎的 vi/make/gdb 操作上了。我很喜歡那些實用的幫助手冊頁面，雖然一直在摸索自己能在這個系統里做什么，但我實在不想上網直接搜。試想一下，我是在查閱30幾年前的老東西，如Tektronix terminal的手冊，這簡直不能更有趣。

有一點讓我比較驚訝，就是OpenBSD對C++的支持有點爛。G++不支持C++11，LLVM C++也不能很好地和gdb配合使用。我做gdb時系統崩了幾次，我懷疑是C++導致的。當然，你不用跟我說它可以升級，我就想用最基礎的操作系統。

現在回過頭來看，我應該是完全復古了，而且寫的東西完全符合ANSI C標準。和許多老程序員一樣，有幾天我會忍不住反思：也許C++并沒有我們想得那么好……雖然我還喜歡很多其他的東西，但用普通的C語言寫個小項目還難不倒我。當然，如果還有下次的話，我會試試Emacs，這是另一個我沒怎么接觸過的領域。

在這之前，我其實已經對大多數機器學習算法有了成熟的了解，而且也做過一些線性分類器和決策樹之類的工作。但出于某些原因，我還沒碰過神經網絡，這在某種程度上可能是因為深度學習太時髦了，導致我對它持保守意見，或許也有一些反思性的偏見。我還不能接受“把所有東西丟進神經網絡里，然后讓它自己整理”這種套路。

而本著復古主義精神，我打印了幾篇Yann LeCun的舊論文，然后脫機工作，假裝自己正身處某地的山間小屋，但現實是——我還是偷偷在YouTube上看了不少斯坦福CS231N的視頻，并從中學到了很多東西。我一般很少看這種演講視頻，會覺得有點浪費時間，但這樣“見風使舵”的感覺也不賴。

我其實不認為自己對神經網絡有什么獨特的想法和建議，但就個人體驗而言，這是高效的一周，因為我把書本上的知識固化成了真實經驗。我的實踐模式也很常規：先用hacky代碼寫一版，再根據視頻教程重寫一個全新的、整潔的版本，所以兩者可以交叉檢查，不斷優化。

我也曾在反向傳播上反復跌倒了好幾次，最后得出的經驗是比較數值差異非常重要！但很有趣的一點是，即使每個部分好像都錯得離譜，神經網絡似乎還是能正常訓練的——甚至只要大多數時候符號是正確的，它就能不斷進步。

對于最終得到的多層神經網絡代碼，我是很滿意的，也產生了未來繼續完善的想法。是的，對于這類非常嚴肅的問題，我一般會直接用已有的第三方庫，但在過去的一周內，很多時候我會自己寫單獨的.cpp文件和.h文件進行編譯，這也很方便。

現在我的CNN代碼還需要優化，我大概會花幾天時間做出一個干凈、靈活的實現。之前我把沒加進卷積的初始神經網絡放到MNIST上測試時，發現它居然比LeCun論文里的結果更好——單個包含100個節點的隱藏層在測試集上的error是2%，論文里的網絡更廣更深，但它的error有3%。這個發現有點出乎我的意料，最后我總結的原因是激活函數——ReLU和Softmax。

如果要說這一周的學習有什么最精彩的心得，那應該就是神經網絡非常簡單，它只需寥寥幾行代碼就能實現突破性的進步。我覺得這和圖形學中的光線追蹤有異曲同工之妙，只要我們有足夠的數據、時間和耐心，追蹤與光學表面發生交互作用的光線，得到光線經過路徑的物理模型，我們就能生成最先進的圖像。

同樣的，通過探索一系列訓練參數，我也對 overtraining/generalization/regularization 有了更深的理解。回家的前一夜，我開心地調起了超參數。為了保持專注，“訓練”肯定比“編譯”更糟糕！

小結

讀了約翰·卡馬克的心得，不知各位讀者獲得了怎樣的體驗。作為一名成功的資深程序員，卡馬克一直以來對編程的嚴苛要求是大家有目共睹的，而他這次抽出一周時間，以這么復古的形式學習神經網絡，這樣的娛樂精神堪稱業界清流。這項“新技能”可能不會給他帶來世俗的快樂，但在代碼中創造世界的樂趣使他感到幸福，卡馬克還是那個卡馬克。

除此之外，許多國外讀者又對深度學習的理論基礎產生了擔憂。正如文中所說的：“即使每個部分好像都錯得離譜，神經網絡還是能正常訓練——甚至只要大多數時候符號是正確的，它還能不斷進步”。就梯度下降而言，理論上我們想要的是不斷走“下坡路”，走“上坡路”的結果注定是不理想的。但從長遠來看，如果兩者都能提高模型預測的結果，那走下坡的意義又在哪里？

這個領域內的所有人都在追求各種進步，擔當他們被問及為什么，大多數答案只是“just work”，如果只看結果，我們又該怎么判斷哪些是真正重要的東西？也許對于什么是“進步”，我們也需要重新設定一個更嚴格的標準。