深度學習受到大規(guī)模的炒作，人們恨不得在各個地方都使用神經(jīng)網(wǎng)絡，但確實在每一個地方都適用么？我們將在下面的章節(jié)中進行討論，閱讀完它后，您將知道神經(jīng)網(wǎng)絡的主要缺點，并且當您為當前的機器學習問題選擇正確類型的算法時，您將有一個粗略的指導原則。您還將了解我們現(xiàn)在面臨的機器學習中的主要問題。

為什么深度學習受到炒作？

深度學習有目前正在進行炒作的四個主要原因，包括數(shù)據(jù)、計算能力、算法本身和市場營銷。我們將在下面的章節(jié)中討論它們中的每一個。

1.數(shù)據(jù)

增加深度學習的受歡迎程度的一個因素是2018年可用的大量數(shù)據(jù)，這些數(shù)據(jù)是在過去幾年和幾十年中收集的。這使得神經(jīng)網(wǎng)絡能夠真正發(fā)揮他們的潛力，因為他們獲得的數(shù)據(jù)越多越好。

相比之下，傳統(tǒng)的機器學習算法肯定會達到一個水平，更多的數(shù)據(jù)不會提高其性能。下面的圖表說明了這一點：

2.計算能力

另一個非常重要的原因是現(xiàn)在可用的計算能力，這使我們能夠處理更多的數(shù)據(jù)。根據(jù)人工智能的領先人物Ray Kurzweil的說法，計算能力在每個時間單位會乘以一個常數(shù)因子（例如，每年增加一倍），而不是逐漸增加。這意味著計算能力呈指數(shù)增長。

3.算法

提高Deep Learning流行度的第三個因素是算法本身的進步。算法開發(fā)中的出現(xiàn)最近的突破主要是由于使它們比以前運行得更快，這使得使用越來越多的數(shù)據(jù)成為可能。

4.營銷

營銷可能也是一個很重要的因素。神經(jīng)網(wǎng)絡幾十年來（第一次在1944年提出），已經(jīng)經(jīng)歷了一些炒作，但過去處于沒有人想相信和投資的時代。 “深度學習”這個詞組給了它一個新的花哨的名字，這使得新的炒作成為可能，這也是許多人錯誤地認為深度學習是一個新創(chuàng)造的領域的原因。

此外，其他因素也促成了深度學習的營銷，例如漢森機器人技術的“人形”機器人Sophia，在大眾中引起了廣泛的爭議，以及機器學習主要領域的幾項突破，使其成為大眾媒體等等。

神經(jīng)網(wǎng)絡與傳統(tǒng)算法

當你應該使用神經(jīng)網(wǎng)絡或傳統(tǒng)的機器學習算法，這是一個難以回答的問題，因為它很大程度上取決于你試圖解決的問題。這也是由于“沒有免費的午餐定理”，它大致表明沒有“完美”的機器學習算法，在任何問題上都能表現(xiàn)出色。對于每一個問題，一個特定的方法是適合的，能取得良好的效果，而另一種方法或許會失敗，但這可能是機器學習最有趣的部分之一。

這也是您需要精通幾種算法的原因，以及為什么通過練習獲得優(yōu)秀機器學習工程師或數(shù)據(jù)科學家的較好的方法。在這篇文章中會為您提供一些指導方針，幫助您更好地理解何時應使用哪種類型的算法。

神經(jīng)網(wǎng)絡的主要優(yōu)勢在于其幾乎超越了其他所有機器學習算法的能力，但是這有一些缺點，我們將在本文中討論并重點關注。就像我之前提到的那樣，決定是否應該使用深度學習主要取決于您正在嘗試解決的問題。例如，在癌癥檢測中，高性能至關重要，因為性能越好，可以治療的人越多。但也有機器學習問題，傳統(tǒng)的算法提供的不僅僅是滿意的結果。

1.黑盒子

神經(jīng)網(wǎng)絡最為人所知的缺點可能就是它們的“黑盒子”性質，這意味著你不知道神經(jīng)網(wǎng)絡如何以及為什么會產(chǎn)生一定的輸出。例如，當你將一張貓的圖像放入神經(jīng)網(wǎng)絡，并預測它是一輛汽車時，很難理解是什么導致它產(chǎn)生這個預測。當你具有人類可解釋的特征時，理解其錯誤的原因要容易得多。在比較中，像決策樹這樣的算法是非常容易理解的。這很重要，因為在某些領域，可解釋性非常重要。

這就是為什么很多銀行不使用神經(jīng)網(wǎng)絡來預測一個人是否有信譽，因為他們需要向客戶解釋為什么他們沒有獲得貸款。否則，這個人可能會覺得受到銀行的錯誤威脅，因為他不明白他為什么沒有獲得貸款，這可能導致他改變對該銀行的看法，像Quora這樣的網(wǎng)站也是如此。如果他們因為機器學習算法而決定刪除用戶帳戶，他們需要向用戶解釋為什么他們已經(jīng)完成了它。我懷疑他們是否會滿意電腦所給的答案。

在機器學習的推動下，其他情景將是重要的商業(yè)決策。你能想象一個大公司的首席執(zhí)行官會在不明白為什么應該完成的情況下做出價值數(shù)百萬美元的決定嗎？僅僅因為“計算機”說他需要這樣做。

2.開發(fā)持續(xù)時間

盡管像Keras這樣的庫使得神經(jīng)網(wǎng)絡的開發(fā)非常簡單，但是有時您需要更多地控制算法的細節(jié)，例如，當您試圖解決機器學習中的難題時。

然后你可能會使用Tensorflow，它為你提供了更多的機會，但因為它也更復雜，開發(fā)需要更長的時間（取決于你想要構建的）。那么對于公司管理層來說，如果真的值得他們昂貴的工程師花費數(shù)周時間來開發(fā)一些東西，那么問題就會出現(xiàn)，用更簡單的算法可以更快地解決問題。

3.數(shù)據(jù)量

與傳統(tǒng)的機器學習算法相比，神經(jīng)網(wǎng)絡通常需要更多的數(shù)據(jù)，至少有數(shù)千甚至數(shù)百萬個標記樣本。這不是一個容易解決的問題，如果使用其他算法，許多機器學習問題可以用較少的數(shù)據(jù)很好地解決。

盡管有些情況下神經(jīng)網(wǎng)絡很少處理數(shù)據(jù)，但大多數(shù)情況下他們不處理。在這種情況下，像樸素貝葉斯這樣的簡單算法可以很好地處理少數(shù)數(shù)據(jù)。

4.計算昂貴

通常，神經(jīng)網(wǎng)絡比傳統(tǒng)算法在計算上更昂貴。最先進的深度學習算法，實現(xiàn)真正深度的神經(jīng)網(wǎng)絡的成功訓練，可能需要幾周時間才能完全從頭開始進行訓練。大多數(shù)傳統(tǒng)的機器學習算法花費的時間少于幾分鐘到幾個小時或幾天。

神經(jīng)網(wǎng)絡所需的計算能力很大程度上取決于數(shù)據(jù)的大小，但也取決于網(wǎng)絡的深度和復雜程度。例如，具有一層和50個神經(jīng)元的神經(jīng)網(wǎng)絡將比具有1000棵樹的隨機森林快得多。相比之下，具有50層的神經(jīng)網(wǎng)絡將比僅有10棵樹的隨機森林慢得多。

現(xiàn)在你可能會知道神經(jīng)網(wǎng)絡對于某些任務比較適用，但對其他人來說并不一定適用。您了解到，大量的數(shù)據(jù)、更多的計算能力、更好的算法和智能營銷增加了深度學習的受歡迎程度，并使其成為目前最熱門的領域之一。最重要的是，您已經(jīng)了解到，神經(jīng)網(wǎng)絡幾乎可以擊敗所有其他機器學習算法以及與之相伴隨的缺點。最大的缺點是它們的“黑盒子”性質，增加開發(fā)時間（取決于您的問題）、所需的數(shù)據(jù)量以及它們大部分計算成本高昂。

結論

深度學習目前可能仍舊有點過度炒作的情況，并且超過期望完成的事情。但這并不意味著它沒有用處。我認為我們生活在機器學習復興中，因為它越來越民主化，越來越多的人可以用它來構建有用的產(chǎn)品。機器學習可以解決很多問題，我相信這將在未來幾年內發(fā)生。

其中一個主要問題是只有少數(shù)人了解可以用它做些什么，并知道如何建立成功的數(shù)據(jù)科學團隊，為公司帶來真正的價值。一方面，我們擁有博士級工程師，他們是機器學習背后的理論天才，但可能缺乏對商業(yè)方面的理解。另一方面，我們有首席執(zhí)行官和管理職位的人員，他們不知道深度學習可以做些什么，并認為它將在未來幾年解決所有問題。我們需要更多的人來填補這個空白，這將產(chǎn)生更多對我們社會有用的產(chǎn)品。