最后
各位读者，由于本篇幅度过长，为了避免影响阅读体验，下面我就大概概括了整理了
为什么能够歪打正着呢？有可能是这样的：非凸问题，本来就不是梯度下降法能够解决的。如果不存在同步难题，那么随着训练的深入，结果肯定会收敛到某一个局部最优解上面去。而现在这种同步问题，恰好能够有助于跳出局部最优解。因此最终的训练结果还算不错。
作者并没有证明，这种方式，对于寻找全局最优一定是有帮助的。对于最终的结果是否一定是经验最优的，也没有证明。因此我感觉，深度学习里面，这种超高维参数的最优结果的寻优，是一个很值得深入研究的问题。它对于最终的效果也确实影响很大。
内存消耗巨大和计算复杂体现在两个方面：
（1）训练过程 （2）检测过程
这两个过程的计算复杂，根本原因都是庞大的参数规模造成的。比如google的这个项目，每一个位置都用到了8个模版，每一个像素，这8个模版都是 不同的，因此导致最后的模版总数很大，所以训练和检测都很慢。当然，这种模版的设计法，让人不好理解，为什么不同的像素位置，模版完全不同。我还是支持以 前的卷积神经网络里面的思想，不同位置的模版都是一样的，但没一个位置，模版数量就远不止8个了。这样的好处是，内存空间中，总的模板数下降了；但缺点 是，计算更复杂了。
因此，如果能够找到一个好的方法，能够有效的较低计算复杂度，将是很有意义的。（比如某个邻域内如果方差极小，其实根本就没必要计算了，直接赋0.）
深度学习模拟的是人脑的其中一个很小的方面，就是：深度结构，以及稀疏性。
但事实上，人脑是相当复杂滴。关于视觉注意机制、多分辨率特性、联想、心理暗示等功能，目前根本就没有太多的模拟。所以神经解剖学对于人工智能的影响应该是蛮大的。将来要想掀起机器智能的另一个研究高潮，估计还得继续借鉴神经解剖学。
一直在想，为什么第一层用于检测角点和边缘这种简单特征的模版，一定需要通过无监督训练得到，如果人为实现模拟的话，能否也得到较为理想的结果呢？
从神经解剖学的成果上来看，人脑的v1区和v2区，神经细胞确实是按照规律排列的。而且都是可以人为设计的。而且，一个让人怀疑的地方就是，v1区和v2区的神经细胞，是先天发育好的，还是后天训练出来的？如果是先天的，那就是说，这种模版是可以人为设计的。
最后
每年转战互联网行业的人很多，说白了也是冲着高薪去的，不管你是即将步入这个行业还是想转行，学习是必不可少的。作为一个Java开发，学习成了日常生活的一部分，不学习你就会被这个行业淘汰，这也是这个行业残酷的现实。
如果你对Java感兴趣，想要转行改变自己，那就要趁着机遇行动起来。或许，这份限量版的Java零基础宝典能够对你有所帮助。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
