對(duì)于深度學(xué)習(xí)優(yōu)缺點(diǎn)的分析與其應(yīng)用的局限性

深度學(xué)習(xí)在語(yǔ)音識(shí)別、圖像理解、自動(dòng)駕駛汽車、自然語(yǔ)言處理、搜索引擎優(yōu)化等方面提供了顯著的功能和進(jìn)步。你知道嗎，盡管深度學(xué)習(xí)的范圍如此廣闊，但人工智能的這種變體在第三次迭代中，也就是現(xiàn)在的21世紀(jì)，獲得了巨大的轟動(dòng)。隨著gpu的出現(xiàn)，深度學(xué)習(xí)可以在大量基準(zhǔn)測(cè)試和實(shí)際應(yīng)用程序上超越競(jìng)爭(zhēng)對(duì)手。即使是計(jì)算機(jī)視覺(jué)（深度學(xué)習(xí)的常見(jiàn)用例之一）社區(qū)也相當(dāng)懷疑，直到2011年AlexNet在ImageNet上擊敗了所有競(jìng)爭(zhēng)對(duì)手。

盡管在這些發(fā)展之后，深度學(xué)習(xí)模式仍存在許多局限性，阻礙了它在當(dāng)今的大規(guī)模應(yīng)用。例如，模型不具有可伸縮性和旋轉(zhuǎn)不變性，當(dāng)物體姿態(tài)異常時(shí)，很容易對(duì)圖像進(jìn)行錯(cuò)誤分類。讓我們關(guān)注一些常見(jiàn)的缺點(diǎn)。

一個(gè)主要的缺點(diǎn)是深度學(xué)習(xí)算法需要大量的數(shù)據(jù)集進(jìn)行訓(xùn)練。舉例來(lái)說(shuō)，對(duì)于語(yǔ)音識(shí)別程序，需要形成多種方言、人口統(tǒng)計(jì)學(xué)和時(shí)間尺度的數(shù)據(jù)來(lái)獲得期望的結(jié)果。雖然像谷歌和微軟這樣的大型科技巨頭能夠收集并擁有豐富的數(shù)據(jù)，但有好主意的小公司可能無(wú)法做到這一點(diǎn)。此外，有時(shí)訓(xùn)練模型所需的數(shù)據(jù)已經(jīng)很稀疏或不可用，這是很有可能的。

此外，在更大的架構(gòu)下，深度學(xué)習(xí)模型需要更多的數(shù)據(jù)來(lái)產(chǎn)生可行的結(jié)果。在這樣的場(chǎng)景中，重用數(shù)據(jù)可能不是一個(gè)合適的想法，數(shù)據(jù)擴(kuò)充在某種程度上可能是有用的，但是擁有更多的數(shù)據(jù)總是首選的解決方案。此外，由于復(fù)雜的數(shù)據(jù)模型，訓(xùn)練深度學(xué)習(xí)模型是一件非常昂貴的事情。有時(shí)，它們需要昂貴的gpu和數(shù)百臺(tái)機(jī)器，這就增加了用戶的成本。

其次，在基準(zhǔn)數(shù)據(jù)集上表現(xiàn)良好的深度學(xué)習(xí)模型在數(shù)據(jù)集之外的真實(shí)圖像上可能會(huì)嚴(yán)重失敗。為了說(shuō)明這一點(diǎn)，考慮一個(gè)深度學(xué)習(xí)算法，它學(xué)習(xí)到校車總是黃色的，但是，突然，校車變成藍(lán)色，它將需要重新訓(xùn)練。相反，一個(gè)5歲的孩子認(rèn)出這輛車是一輛藍(lán)色校車是沒(méi)有問(wèn)題的。此外，他們也無(wú)法在與訓(xùn)練環(huán)境幾乎不同的情況下有效地執(zhí)行任務(wù)。例如，Google的DeepMind訓(xùn)練了一個(gè)系統(tǒng)來(lái)?yè)魯?9款A(yù)tari游戲；然而，每次該系統(tǒng)擊敗一款游戲時(shí)，它都必須經(jīng)過(guò)再訓(xùn)練才能擊敗下一款游戲。

這給我們帶來(lái)了深度學(xué)習(xí)的另一個(gè)局限性，即雖然模型可能非常擅長(zhǎng)將輸入映射到輸出，但它可能不擅長(zhǎng)理解它們正在處理的數(shù)據(jù)的上下文。換言之，它缺乏常識(shí)，在跨領(lǐng)域的邊界地區(qū)得出結(jié)論。據(jù)DeepMind的人工智能研究員格雷格·韋恩（GregWayne）說(shuō)，目前的算法可能無(wú)法辨別沙發(fā)和椅子是用來(lái)坐的。它還缺乏通用智能和多領(lǐng)域集成。

深度學(xué)習(xí)算法還可以解決不透明或黑盒問(wèn)題，使它們難以調(diào)試或理解如何做出決策。這也讓用戶在理解某些部件為什么會(huì)出現(xiàn)故障時(shí)無(wú)所適從。一般來(lái)說(shuō)，深度學(xué)習(xí)算法會(huì)對(duì)數(shù)百萬(wàn)個(gè)數(shù)據(jù)點(diǎn)進(jìn)行篩選，以找到人類專家通常不會(huì)注意到的模式和相關(guān)性。雖然在執(zhí)行一些瑣碎的任務(wù)時(shí)可能會(huì)遇到問(wèn)題，但在腫瘤檢測(cè)等情況下，醫(yī)生需要知道為什么模型在掃描報(bào)告中標(biāo)記了一些區(qū)域，為什么沒(méi)有標(biāo)記其他區(qū)域。

此外，深度學(xué)習(xí)算法在訓(xùn)練階段的缺陷使其容易受到對(duì)手樣本的攻擊：對(duì)手精心設(shè)計(jì)的輸入，意圖導(dǎo)致深度神經(jīng)網(wǎng)絡(luò)錯(cuò)誤分類。同時(shí)，數(shù)據(jù)集中存在的偏見(jiàn)可能導(dǎo)致不準(zhǔn)確的結(jié)果，從而內(nèi)在地放大了現(xiàn)實(shí)世界中的歧視。黑匣子的存在使得開(kāi)發(fā)人員很難確定這些惡意數(shù)據(jù)是在哪里、如何輸入系統(tǒng)的。

最后，深度學(xué)習(xí)架構(gòu)具有出色的能力，如圖像分類和序列預(yù)測(cè)。它們甚至可以生成與另一個(gè)類似GANs的模式相匹配的數(shù)據(jù)。然而，它們并不能推廣到每一個(gè)監(jiān)督學(xué)習(xí)問(wèn)題。
編輯：lyn