目前深度学习存在哪些无法克服的障碍？

关于目前深度学习所面临的障碍，镁客君为大家找来了斯坦福大学在读博士Bharath Ramsundar列出的15个深度学习现在有的问题~

1．众所周知，深度学习方法很难学习到输入样本的微小变化。当样本的颜色交换时，所构建的目标识别系统可能会完全崩溃。

2．基于梯度的网络训练过程相当缓慢。一般按照固定模式来实现多种梯度下降方法，但是这种方法很难用于高维数据的预测。

3．深度学习方法在处理条件约束方面的效果也不佳，不能像线性规划方法那样，能快速找到满足约束的解决方案。

4．在训练复杂模型时，网络相当不稳定。通常不能很好地训练神经图灵机和GAN网络，严重依赖网络的初始化方式。

5．深层网络能较好地应用于图像处理和自然语言分析中，但是不适合现实世界的实际问题，如提取因果结构等等。

6．在实际应用中，要考虑关键影响者检测的问题。在参议员参议员投票的数据集中，应该如何检测出关键影响者，深度神经网络DNN还不能应用于此方面。

7．强化学习（Reinforcement learning）方法对输入数据非常挑剔，实际性能主要取决于调参技巧，虽然这个特殊问题仅存在于这个方面。

8．深度学习方法不容易理解未知实体，比如说当棒球击球手在视频中，深度学习不知道如何推断出屏幕外还有个投手。

9．实时训练深层网络几乎不可能，因此很难进行动态调整，上文已经提到网络训练缓慢的问题。

10．一般来说，网络需通过离线训练后才能进行智能辨识。

11．人们经常提出一些对深层网络的理论解释。但这可能不是一个大问题，人们才是一个真正的大问题。

12．目前很难确定深层网络学习到了什么。作为工程师的我们，怎样才能确保在网络训练过程中不存在偏见和种族歧视？

13．深度神经网络很难用来解决逻辑问题。3SAT求解器具有很强的能力，但是很难应用到深层网络。

14．深度神经网络在处理大维度的特征数据方面效果不佳。这种方法与强大的随机森林方法不同，在训练前需要大量的特征调整。

15．深度网络的超参数优化研究仍然处于起步阶段。研究者需要完成大量的计算或是手动调整许多网络结构。

总结起来是以下几个主要问题：

1. 深度网络压缩：目的是将权值参数进行量化或者压缩存储，进而减少参数规模。

2. 模型加速：现在出现了更深的网络，但带来的问题是计算效率的下降。这个方向主要从网络架构和实现的角度对模型的计算效率进行提升。

3. 优化： 现在在ICML上边关于DL优化的文章很多，如何避免overfiting? 如何加速训练？产生初始参数？这些都是比较热门的研究点。

4. 应用：包括检测、分割、人脸、NLP等，一个好的工作会综合考虑各种各样的因素。

5. 迁移：在CV领域work的模型是否可以应用到其他领域？在一个新领域中基本想法有了，但具体做起来需要解决各种各样的实际问题。

最后，记得关注微信公众号：镁客网（im2maker），更多干货在等你！