手把手教你通过游戏解决交通拥堵丨MIT深度学习公开课丨附课程PDF下载

作者 CDA 数据分析师

被堵在路上是件心累又烧钱的事儿，除了让人头疼还可能错过重要的约会。据统计，美国每年因交通堵塞的直接损失达到 780 亿美元。今年，MIT 推出了深度学习公开课，试图让学生们在模拟游戏中尝试解决交通拥堵问题。

MIT 于 2017 年 1 月开设了 6.S094 课程，名为《深度学习与自动驾驶》( Deep Learning for Self-Driving Cars )，旨在教学生们为自动驾驶搭建一个深度学习系统，授课者为 Lex Fridman。

本课程是通过建立自动驾驶汽车的应用主题，介绍深度学习及其实践。本课程是专为机器学习初学者而设计，但该领域先进的研究人员也可以在此课的实践及应用中受益。

课程共有五节，CDA编译团队对本课程进行了翻译，目前倾情推出第一讲导论：深度学习和自动驾驶汽车。

第一讲共分为三个视频，每个视频时长 30 分钟，来不及看视频的小伙伴，可以先看视频下方的课程内容简介。后续几节课程CDA编译团队将陆续汉化推出，敬请期待。

下载课程PDF：

课程视频

深度学习与自动驾驶第一讲(一)(中字)·MIT深度学习公开课

深度学习与自动驾驶第一讲(二)(中字)·MIT深度学习公开课

深度学习与自动驾驶第一讲(三)(中字)·MIT深度学习公开课

课程安排

Lecture 1: Introduction to Deep Learning and Self-Driving Cars

第一讲：导论：深度学习与自动驾驶汽车

Lecture 2: Deep Reinforcement Learning for Motion Planning

第二讲：运动规划与深度强化学习

Lecture 3: Convolutional Neural Networks for End-to-End Learning of the Driving Task

第三讲：卷积神经网络与驾驶任务的端到端学习

Lecture 4: Recurrent Neural Networks for Steering through Time

第四讲：递归神经网络与汽车转向

Lecture 5: Deep Learning for Human-Centered Semi-Autonomous Vehicles

第五讲：深度学习与以人为中心的半自动汽车

主讲人

Lex Fridman

麻省理工学院 AgeLab 博士后

Lex Fridman 是来自麻省理工学院 AgeLab 的博士后研究员。他在德雷克塞尔大学获得了他的学士学位、硕士学位以及博士学位，他在那里从事机器学习和数值优化技术的应用，涉及机器人技术、无线网络、主动认证和活动识别等领域。在加入MIT 之前，Fridman 博士是谷歌的客座研究员。他的研究兴趣包括机器学习、决策融合和数值优化。

助教团队

客座嘉宾分享

课程内容简介

DeepTraffic 与 DeepTesla 是 MIT 这门课程里面的两个重点培训内容。

· 前者以游戏模拟汽车在高速公路上行驶，而我们的目标就是训练一个神经网络，利用强化学习控制红车，并让它的速度尽可能快；

· 后者直接以端到端模型训练一个自动驾驶的起动模型。

DeepTraffic

http://selfdrivingcars.mit.edu/deeptrafficjs/

整个 DeepTraffic 游戏实际上是在网格上运行，但你也可以通过选择不同的模式，让网格呈现出来。

每辆车周围的方格表示的是它自身的速度，而橙色区域指的是该车辆可能的行驶方位。

比如在安全系统中，车辆周围会出现一个 H 型的区域，橙色表示相对安全，而红色表示周围已经有车在附近车道，此时红色小车不能越到红色区域。如果你提升了小车的速度，那么这个区域也会随之变化，毕竟如果有车挡在你的面前，为了保证安全，你一定会减缓速度（这与我们这个小游戏的目标相反）。

编程页面主要分为三块，一是实时的道路模拟情况，还能调整自己车辆的行驶速度，以提升测试速度；二是编程页面，在这里可以修改神经网络的具体代码；第三部分会显示目前神经网络的状态，还能将代码保存、重置或下载。

代码区的这几个变量可以控制网络的输入大小，更多的输入也就意味着更复杂的交通环境，也意味着需要更长的学习时间及更大的学习难度。

DeepTesla

http://selfdrivingcars.mit.edu/deepteslajs/

DeepTesla 通过一个简单的演示呈现卷积神经网络的端到端转向。顶端呈现的四个指标呈现的是前向传递及后向传递所需的时间，以及目前网络已经训练的示例，还有网络的当前状态是处于训练数据还是在提取数据。

下方的图表呈现的是损失函数，正常状态下随着时间的推移，损失函数的值应该会越来越小。

编辑器下方还有一个可视化图层的功能，用户可以在网络中看到每个图层的处理情况。如果加载了特斯拉视频，随着视频内容的增加，神经网络的训练效果也会变得更好。

以上只是对 MIT 深度学习与自动驾驶课程的简单介绍，让我们抓住暑假的尾巴，来一次深度学习充电吧!