怎樣讓小車行駛更快
MIT 緊跟時代步伐，，旨在教學生們為自動駕駛搭建一個深度學習系統，授課者為 Lex Fridman。課程要求學生擁有基本的程式設計知識（最好是 Python）。開設的 6。S094 課程名為《為自動駕駛構建深度學習》的課程
全課只有九節一小時的課程，於 1 月 9 日開課，今天就結課啦。而且！據雷鋒網從議程表上了解到，從開課一直到 1 月 16 日，官網表示會陸續放出 PPT 及影片檔案，雷鋒網會持續關注。
DeepTesla 與 DeepTraffic 就是 MIT 這門課程裡面的兩個重點培訓內容，
前者直接以端到端模型訓練一個自動駕駛的起動模型；後者以遊戲化的方式模擬汽車在高速公路上行駛，而我們的目標就是（沒有蛀牙）訓練一個神經網路，利用強化學習控制紅車，並讓它的速度儘可能提升到最快（也就是超車啦！速度與激情）。
那麼首先我們得先補補課，為什麼要採用迴圈神經網路呢？主要鑑於它能夠將輸出重新做為輸入再次進入神經網路中進行訓練，也就是擁有所謂的「記憶」。
強化學習的一個典型例子就是 DeepMind 訓練機器玩 Atari，雖然機器並不知道遊戲規則，但每一次遊戲都能讓機器得到一次分數的反饋，而目標就是讓得分最大化。
美國人每年要浪費 80 億小時在堵車上，因此如果能採用自動駕駛系統，讓老司機們解放雙手，想必真真是極好的。
DeepTesla：特斯拉自動駕駛，我也行
DeepTesla 透過一個簡單的演示呈現卷積神經網路的端到端轉向。頂端呈現的四個指標呈現的是前向傳遞及後向傳遞所需的時間，以及目前網路已經訓練的示例，還有網路的當前狀態（是處於訓練資料？還是在提取資料？）。
下方的圖表呈現的是損失函式，我們都知道，正常狀態下隨著時間的推移，損失函式的值應該會越來越小。
而在編輯器下方還有一個視覺化圖層的功能，使用者可以在網路中看到每個圖層的處理情況。如果載入了特斯拉影片，隨著影片內容的增加，神經網路的訓練效果也會變得更好。
下方兩個小的方向盤及旁邊的數值指的是實際值（藍色）與系統預測值（白色）的對比。是不是非常智慧？
以第一次載入 DeepTesla 為例：我們整個網路大小為（200，66，3）的輸入層，表示寬度為200，高度66，涵蓋三個通道（紅綠藍）。緊接著有一個卷積層、一個合併層與一個輸出神經元。
ConvNetJS為我們提供了幾種訓練演算法，。具體能夠在這裡找到
DeepTraffic：讓小車跑得更快
整個 DeepTraffic 遊戲實際上是在網格上執行，但你也可以透過選擇不同的模式，讓網格呈現出來。
每輛車周圍的方格表示的是它自身的速度，而橙色區域指的是該車輛可能的行駛方位。
比如在安全系統中，車輛周圍會出現一個 H 型的區域，橙色表示相對安全，而紅色表示周圍已經有車在附近車道，此時紅色小車不能越到紅色區域。如果你提升了小車的速度，那麼這個區域也會隨之變化，畢竟如果有車擋在你的面前，為了保證安全，你一定會減緩速度（這與我們這個小遊戲的目標相反）。
程式設計頁面主要分為三塊，一是實時的道路模擬情況，還能調整自己車輛的行駛速度，以提升測試速度；二是程式設計頁面，在這裡可以修改神經網路的具體程式碼；第三部分會顯示目前神經網路的狀態，還能將程式碼儲存、重置或下載。
程式碼區的這幾個變數可以控制網路的輸入大小，更多的輸入也就意味著更復雜的交通環境，也意味著需要更長的學習時間及更大的學習難度。
整個代理由一個名為「learn」的函式所控制，該函式能夠接受當前的狀態（以一個扁平陣列呈現），而所得到的反饋為行車速度，也就是以 mph 為單位的平均速度。
函式最基本的形式（告訴代理，讓車輛維持現狀，不需要變道或減速）大概長這樣：
而既然這是一個追求速度的「比賽」，那麼你需要透過神經網路控制車輛，比如：
在初始程式碼中，已經提供了上述內容。當然，你可以自行對資料進行預處理，並將這些狀態輸入網路，但不需要在這上面花太多時間。
這個地方就是你施展「才華」的地方——這是一個隱藏層裡的一個神經元示例。
下圖呈現的是最終的迴歸層，它決定了最終的執行環節將會呈現怎樣的結果。
在 Q-Learning 裡還提供了一些其它選擇，。可以在 Github 上找到
最後一步就是建立“大腦”。
如果點選了 run training，那麼可以訓練神經網路，並以 30 倍於實時的速度實現單執行緒執行，隨後訓練網路的結果會以視覺化的形式呈現在電腦上，學生們也可以做一些即時反饋和改進。
該網站上的評估鍵可以直接運行同樣的任務，也就相當於小測驗。透過每次 30 分鐘的 10 次執行，最後將計算出每次車輛的平均速度，並取中值做為結果。而且，本地測試的評估會受到其它車輛出現的情況的影響，所以本地的測試只能做為參考。
值得一提的是，Fridman 老師表示這些車都有著安全系統，所以不需要擔心車的反應速度不夠快，它們不會因為你突然操控加速減速而出車禍的。（老師入戲好深……）
Fridman 還在主頁上公佈了一個，目前有三位同學取得了很不錯的成績，甚至還有比老師訓練得好的，太厲害了。神經網路訓練排名榜
老師說了，如果速度不能提上 60km/h，那你明天就不要來上課了（誤）。不過排行榜今天就截止統計啦，所以大家如果測試了比排行榜更高的分數，歡迎告訴雷鋒網小編呀，我們會找你做硬創公開課的。
以上只是對 MIT 課程的簡單介紹，雷鋒網會做後續關注。