神经网络与函数式编程（一）从CEO的水晶球到神经网络编程

神经网络与函数式编程

打电话的故事

有一家银行，是我们的客户。银行有一项电话营销业务，他们的呼叫中心每个月会拨出很多通电话向用户推销他们的某产品，其中只有很小一部分用户最终同意办理业务。
银行很希望找到一个办法，提高办理业务的成功率。

于是，我们用机器学习技术，帮银行建立了一个精准营销的模型，可以根据用户资料，预测用户有多大几率会办理业务。我们的程序会从所有用户中列出最优质的潜在用户，让坐席员去拨打电话。

银行的呼叫中心每个月会拨打超过一千万通电话，模型从每个月这些拨出记录中不断地学习、优化，持续提升预测能力。

过去，客户人工来选出目标用户, 业务办理的成功率只有8%。现在，我们的模型推荐潜在用户，成功率是46%，比原本的5倍还要多。

CEO的水晶球

银行项目之后，我们试着把机器学习复用到更广泛的业务领域中。我们开发了一个产品：CEO的水晶球。

CEO的水晶球可以对任意二维表数据进行预测。除了类似呼叫中心的精准营销以外，还可以进行趋势预测、异常检测、相关商品推荐，用于零售、金融、医疗、互联网在内的各行各业。

水晶球可以自动建模，不需要数据科学家参与。只要 5 秒钟，就可以从你现有的Excel、数据库或是数据湖中的数据来创造出一枚水晶球，马上就能预测新的数据。
随着数据量的增长，水晶球会自动预测得越来越准。

DeepLearning.scala

水晶球的底层，是我们自己开发的深度学习框架：DeepLearning.scala。

科学家的深度学习

其他深度学习框架，比如TensorFlow、Caffe、Torch、Theano，目标是让数据科学家解决机器学习中，某个限定问题域的特定问题。一名大学的科学家可能使用Theano设计一个神经网络对特定的数据集（比如1000张自然风光的图片）进行图像识别，科学家建立的神经网络可以回答每张图片上有什么东西。他的工作就是优化网络结构和各种参数，试图把准确率从95%提高到95.1%。

DeepLearning.scala和等其他主流深度学习框架一样，也支持自动求导、支持符号计算、支持GPU计算，数据科学家也能使用DeepLearning.scala进行类似的研究。然而，除了针对传统机器学习的学术问题以外，DeepLearning.scala还有一些独有的特性，针对的使用场景和目标用户截然不同。

程序员的深度学习

除了刚才说的数学运算以外，DeepLearning.scala还支持if/else、switch/case这样的控制语句，而且所有的这些控制语句都有学习能力。DeepLearning也支持用户自定义数据结构、比如struct和List，而且这些数据结构也有学习能力。归根到底，DeepLearning.scala是一门具有学习能力的编程语言。

DeepLearning.scala的目标用户是普通工程师，他们仍然可以像过去一样写程序，唯一区别是，用DeepLearning.scala写的程序有学习功能，会自己修改自己的参数，因为用DeepLearning.scala写的程序本身就是结构极其复杂的神经网络。

这种把程序本身当做神经网络的方式，叫做Differentiable Programming。DeepLearning.scala是世界上第一个JVM这样的主流平台上的Differentiable Programming框架。

利用DeepLearning.scala提供的Differentiable Programming，你可以把非常复杂的业务知识放在神经网络之内，用机器学习直接处理业务逻辑，而不只是解决限定问题域的一个专有问题。

假以时日，将来每个程序员写的每一段代码都可以方便的内置学习能力，就像调用函数一样简单。

开源！

现在，DeepLearning.scala已经开源。
试试吧，因为我们真的很想知道你会用DeepLearning.scala来创造些什么！

下期预告

在More than Machine Learning系列的下一篇文章，我将介绍DeepLearning.scala的类型系统。有了类型系统，用DeepLearning.scala创建每个子神经网络都有静态检查的输入输出类型，有自己的API签名。程序员可以像调用函数一样组合多个子神经网络。因此，DeepLearning.scala的复用性远远超过TensorFlow等其他深度学习框架，更适合多人协作的复杂业务项目。