深度学习并非万能:你需要避免这三个坑

  • 时间:
  • 浏览:0
  • 来源:大发5分6合_大发5分6合官网

有时候,所有应用都并能 使用到速率单位学习吗?当让.我开展一一个 多多新的项目时,让.我并能 不自觉地一开始英语 就使用速率单位学习吗?

速率单位网络就像是一一个 多多“黑盒子”,即使到现在,研究人员有时候能完整性理解速率单位网络的“内部内部结构”。速率单位网络具有很高的预测能力,但可解释性较低。肯能缺乏理论基础,超参数和网络设计也是一一个 多多很大的挑战。

Tweaking Neural Net Parameters

本文来自云栖社区战略协作伙伴“专知”,了解相关信息并能关注“专知”。

速率单位学习在过去几年无缘无故是人工智能领域最热门语录题。事实上,正是它激发了科学家、政府、大公司以及这俩人及 对人工智能的极大新兴趣!这是一门很酷的科学,具有潜在的巨大的实用性和积极的应用。它正被用于金融、工程、娱乐、消费产品和服务等领域。

本文作者:George Seif

这也是很昂贵,不仅是肯能并能 获取数据和计算能力所需的资源,还肯能并能 雇佣研究人员。速率单位学习研究现在非常热门,这俩这三项费用都非常昂贵。当你做这俩定制化的事情时,你并能花费极少量的时间去尝试和打破常规。

最新的研究表明,实现高性能的网络通常并能 经过数十万甚至数百万样本的训练。对于这俩应用来说,以前大的数据集我很多 说容易获得,有时候获取成本高且耗时。对于较小的数据集,传统的ML算法(如回归、随机森林和支持向量机)通常优于速率单位网络。

嘴笨 最近有这俩工具,如显著性映射(saliencymaps)和激活差异(activation differences),它们在这俩领域非常有效,但它们我很多 说能完整性适用于所有应用系统tcp连接。哪些工具的设计主要用于确保您的网络我很多 过度拟合数据,肯能将重点放上去去虚假的特定内部结构上。仍然没办法 将每个内部结构的重要性解释为速率单位网络的整体决策。

为了获得高性能,速率单位网络并能 非常大的数据集。标注的数据我很多 ,模型的性能就越好。获得标注良好的数据既昂贵又耗时。雇佣人工手动整理图片并标记它们根本没办法 速率单位可言。在速率单位学习时代,数据无疑是最有价值的资源。

在这俩情况汇报下,使用速率单位学习是不大约的,让.我并能 取舍这俩别的方案。你并能们来探讨一下哪些情况汇报吧。

速率单位学习仍然是一项非常尖端的技术。您并能像让.我一样获得快速简便的补救方案,一阵一阵是使用广泛使用的API,同类Clarifai和Google的AutoML。但肯能你想做这俩定制化的事情,以前的这俩服务是缺乏的。除非你想要把钱花在研究上,有时候你就会局限于做这俩和此人 稍微同类的事情。

此人 面,经典的ML算法,如回归或随机森林,肯能涉及到直接的内部结构工程,就很容易解释和理解。此外,调优超参数和修改模型设计的过程也更加简单,肯能让.我对数据和底层算法有了更深入的了解。当并能 将网络的结果翻译并交付给公众或非技术受众时,哪些内容尤其重要。让.我不并能仅仅说“让.我卖了那只股票”或“让.我在那个病人身上用了这药”是肯能让.我的速率单位网络是没办法 说的,让.我并能 知道为哪些。不幸的是,到目前为止,让.我所掌握的关于速率单位学习的所有证据肯能解释都是 经验主义的。

Three reasons that you should NOT use deep learning





原文发布时间为:2018-08-14