摘要：?深度學習目前受到了追捧。人們想將神經網絡應用到各個地方，但是它們真的適合每個地方嗎？在本篇文章中，將對于這個問題以及深度學習現在如此受追捧的原因進行討論。

通過這篇文章，您將了解神經網絡的主要缺點，閱讀完它后，您將知道神經網絡的主要缺點，當您為當前的機器學習問題選擇正確類型的算法時，您將有一個大致的指導原則。

目錄：

1.????????為什么深度學習被如此大肆宣傳（數據，計算能力，算法，市場營銷）。

2.????????神經網絡與傳統算法（黑盒子，開發持續時間，數據量，計算成本昂貴）。

3.????????結論。

為什么深度學習被如此大肆宣傳？

1.???數據

深度學習之所以如此受歡迎是因為在2018年有大量的在過去幾年或者幾十年中收集得到的可用數據。神經網絡獲得的數據越多，越能發揮他們的潛力。

相比之下，傳統的機器學習算法則將要達到一個飽和水平，更多的數據并不能提高其性能。下面的圖說明了這一點：

2.???計算能力

另外一個非常重要的原因是當前可用的計算能力，使我們能夠處理更多的數據。根據人工智能的領先人物Ray Kurzweil?的觀點，計算能力發展速度是在每個時間單位乘以一個常數因子（例如，每年增加一倍）。也就是說計算能力呈指數增長而不是逐漸增加。

3.???算法

深度學習之所以備受關注的第三個因素是算法本身的進步。算法開發中的這些最近的突破主要是使它們比以前運行得更快，這使得使用越來越多的數據成為可能。

4.???營銷

營銷也很重要。神經網絡已經存在了幾十年來（1994年被第一次提出），最初也對其進行了宣傳，但是那個時代沒有人相信、投資這一領域。“深度學習”這個詞組給了它一個新的花哨的名字，這使得新的宣傳成為可能，這也是許多人錯誤地認為深度學習是一個新創造的領域的原因。

此外，其他因素也為深度學習的營銷做了貢獻：例如漢森機器人技術有爭議的“人形”機器人Sophia，以及機器學習主要領域的幾項突破。

神經網絡與傳統算法

應該使用神經網絡還是傳統的機器學習算法?這是一個很難回答的問題，因為它很大程度上取決于你要解決的問題。這表明，世界上沒有“完美”的機器學習算法，能夠在任何問題上都表現的出色。這也是您需要精通幾種算法的原因，以及為什么大量的練習訓練是獲得優秀機器學習工程師或數據科學家的唯一方法。盡管如此，神經網絡的主要優勢在于其幾乎超越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。

1.?黑盒子

神經網絡最可能被人知曉的缺點是它們的“黑盒子”性質（也就是說你不知道神經網絡是如何以及為什么會產生一定的輸出）。例如，當你將一張貓的圖像放入神經網絡，預測結果顯示它是一輛汽車時，這讓人很難理解。而在某些領域，可解釋性非常重要。

很多銀行之所以不使用神經網絡來預測一個人是否有信譽，是因為他們需要向客戶解釋為什么他們沒有獲得貸款。像Quora這樣的網站也是如此。如果他們因為機器學習算法而決定刪除用戶賬戶，他們需要向用戶解釋為什么這樣做。

如果將機器學習運用與重要的商業決策時，你能想象一個大公司的首席執行官會在不明白為什么應該完成的情況下做出數百萬美元的決定嗎？僅僅因為“計算機”說他需要這樣做？

2.?發展的可持續時間

雖然有像Keras這樣的庫，讓神經網絡的開發變得相當簡單，但有時您需要更多地控制算法的細節。您可能還會使用到Tensorflow，但是由于它相對復雜，開發需要的時間也更長。對于公司管理層來說，如果用簡單的算法就可以更快地解決問題，則讓他們花高昂的費用和較長的時間去開發一些東西，顯然是不合適的。

3.?數據量

與傳統的機器學習算法相比，神經網絡通常需要更多的數據，至少需要數千數百萬個標記樣本。而如果使用其它算法，許多機器學習問題可以用較少的數據很好地解決。

雖然在某些情況下，神經網絡需要處理少量數據（大多數情況下它們不需要）。而像樸素貝葉斯這樣的簡單算法也可以很好地處理少數數據。

4.?計算代價高昂

通常，神經網絡比傳統算法的計算代價更高。對于最先進的深度學習算法，完成深度神經網絡從頭到尾的完整訓練，可能需要幾周的時間。而大多數傳統的機器學習算法則只需要少于幾分鐘到幾個小時或幾天的時間即可。

神經網絡所需的計算能力很大程度上取決于數據的大小，同時也取決于網絡的深度和復雜程度。

結論

在我看來，深度學習目前有點過度宣傳。但并不是說它毫無用處，我認為這是一個機器學習復興的時代，它的開放性和民主化，讓越來越多的人可以用它來構建有用的產品。機器學習可以解決很多問題，我相信這將在未來幾年內發生。

但是還存在一個問題：只有少數人了解可以用它做些什么，并知道如何建立成功的數據科學團隊，為公司帶來真正的價值。雖然我們擁有機器學習背后的理論天才博士級工程師，但他們不懂商業方面的東西。雖然我們有首席執行官和管理職業的人員，但是他們不知道深度學習可以做些什么。在我看來，我們需要更多的人才來填補這個空白，從而產生更多對我們社會有用的產品。

原文鏈接

干貨好文，請關注掃描以下二維碼：

總結

以上是生活随笔為你收集整理的神经网络的优缺点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。