深度学习的局限性和挑战

深度学习的局限性和挑战

尽管主流DLNN获得了成功(报告结果已与人类能力相当或优于人类),引发大量宣传,媒体对他的兴趣也日益加强,但仍有许多未解决的问题和不足:

  1. DLNN内部架构缺乏透明度(有许多临时决策和参数,如层数、神经元和参数值);
  2. DLNN的训练过程耗费大量数据、时间和计算资源,这使得他们无法开展实时训练和适应,也因而无法应对数据的演变特征(他们具有固定结构和设置,如类别数量),并且他们无法“从零开始学习”;
  3. DLNN容易过度拟合;
  4. DLNN无法处理不确定性。他们不仅在与训练数据明显不同的推理数据上表现不佳,而且他们自身也意识不到这一点(这意味着实际上不可能分析错误和失败的原因);他很容易被骗,因而即使是在面对无法识别的图像时也会输出高可靠度分数;
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值