深度学习四大问题

       深度学习的历史可以追溯到几十年前，但直到大约5年前才得到了较多的关注。其中，2012年是关键的一年，几乎很多东西都发生了改变，包括三人基于ImageNet做的识别图像的深度卷积神经网AlexNet的分布。如今，在语音识别、图像识别、语言翻译等领域，深度学习取得了很多的成果。就像其他主要技术成就一样，深度学习已迅速攀升顶峰。

       由于深度学习是一种强大的统计技术，可以使用大型训练数据集和多层AI神经网络对模式进行分类。从本质上讲，这是一种机器从数据中展开学习的方法，而这些数据将按照生物大脑学习解决问题的方式进行建模。每个人神经单元都会连接到许多其他类似的单元上，并且可以根据用于训练系统的数据在统计上增加或减少这样的连接。同时，多层网络中的每个连续层都会使用前一层的输出作为输入。当然，这项技术在解决封闭式分类问题方面表现出色，鉴于有足够的数据可用，而且测试集与训练集非常相似，所以必须把各种各样的潜在信号映射到有限的类别当中。如果偏离这些假设可能会导致一些问题。

       深度学习面临四大挑战：

       （1）深度学习面临数据匮乏。深度学习的数据要求和纬度的分析方法有本质上的区别。随着数据集的大小增加，传统分析的性能趋于稳定。对深度学习技术来说，数据集的逐渐增加，加上正确的训练方法，将有助于性能的提高。目前，深度学习技术已经从复杂的非结构化数据（包括音频、语音、图像和视频）中提取模式方法变得特别有价值。要做到这一点，需要成千上万的数据记录，以便模型在分类任务中做的更好，并且数百万的数据记录可以在人类水平上进行执行。人类抽象可以依赖于一种能表达代数变量之间的抽象关系的能力。但是深度学习目前做不到。

      （2）深度学习其实很肤浅。所谓深度&