咱們能夠從以下幾個方面削減運用深度學(xué)習的最大妨礙：

使深度學(xué)習更簡略運用揭穿關(guān)于深化學(xué)習的專業(yè)常識神話

增加對缺少運用云核算GPU的資金或信用卡的用戶的拜訪

使深度學(xué)習更簡略運用

讓深度學(xué)習更簡略運用的研討產(chǎn)生了巨大的影響，使練習更好的網(wǎng)絡(luò)變得更快更簡略。現(xiàn)在現(xiàn)已成為令人興奮的規(guī)范實踐，發(fā)現(xiàn)比如有：

半路出家的人能夠在不過度擬合的情況下對較小的數(shù)據(jù)集進行練習。

批量規(guī)范化答應(yīng)更快的練習。

批改的線性單元有助于防止梯度爆破。

進步易用性的最新研討包含：

學(xué)習率的發(fā)現(xiàn)者使練習進程愈加安定。

超級交融加快了練習，只需要更少的核算資源。

對現(xiàn)有架構(gòu)的“自定義頭”（例如，修正ResNet，開始是為分類而規(guī)劃的，以便它能夠用于查找鴻溝框或履行款式傳輸），從而在一系列問題中更簡略地復(fù)用架構(gòu)。

以上的發(fā)現(xiàn)都沒有涉及到裸金屬（bare-metal）的力氣;相反，所有這些都是創(chuàng)造性的主意，以不同的方法來干事。

關(guān)于怎樣進行深度學(xué)習的誤區(qū)

另一個妨礙是，許多“神話”讓人們信任，深度學(xué)習并不合適他們：過錯地以為他們的數(shù)據(jù)太小，他們沒有專業(yè)的教育或布景，或許他們的電腦裝備不夠好。

有一個這樣的神話說，只要機器學(xué)習的博士才有才能運用深度學(xué)習，而許多負擔不起貴重專家費用的公司乃至都懶得去測驗。可是，公司不只有可能去練習他們現(xiàn)已具有的職工，能成為機器學(xué)習專家，這乃至更棒，由于你現(xiàn)在所具有的職工現(xiàn)已具有了你地點范疇的專業(yè)常識！

誤區(qū)，這些誤區(qū)讓人們過錯地信任，運用深度學(xué)習比實踐運用更困難。其實，深度學(xué)習的難度遠遠低于他們的預(yù)期：一年的編程經(jīng)歷和對GPU的拜訪。

在AI自動化的浪潮下，不少創(chuàng)業(yè)公司充溢疑問，已然未來人工智能的發(fā)展方向是走向自動化，比如AUTOML，我究竟還需要自己的數(shù)據(jù)科學(xué)團隊嗎？

AI團隊只能是自己的。

微軟、阿里或許百度，供給的就像電力相同，是一種“智才能”，企業(yè)要把這種智才能轉(zhuǎn)化成自己職業(yè)的算法。第三方不會知道企業(yè)的流程怎樣才是最優(yōu)異的，好的做法應(yīng)該是由第三方為企業(yè)供給最優(yōu)異的根底算法和充沛的算力，企業(yè)自己把數(shù)據(jù)收集上來，培育自己的專家，當然這個專家也能夠由第三方協(xié)助培育，但必定要了解職業(yè)經(jīng)歷、職業(yè)常識，結(jié)合自己的職業(yè)常識和經(jīng)歷來得出合適自己的算法。

企業(yè)在這個進程中能夠源源不斷地運用第三方供給的核算力，這種核算力的表現(xiàn)形式僅僅最基本的compute，就是說第三方會供給一些根底的算法，可是不可能協(xié)助企業(yè)處理人工智能的問題，這方面企業(yè)必定要靠自己。

企業(yè)要培育自己的人才，但沒有必要培育所謂算力的人才，由于算力是勞動密集型、資金密集型的；也不是要培育算法的人才，而是要培育使用算法的職業(yè)人才。

就像要擰螺絲，終究意圖僅僅要把兩個家具擰在一起，而并不是要螺絲和螺絲刀，沒有必要自己去開個螺絲刀廠，只需要買一個最好的螺絲刀過來擰上，就能夠了。