神經網絡的優缺點

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，可是它們真的適合每一個地方嗎？在本篇文章中，將對於這個問題以及深度學習如今如此受追捧的緣由進行討論。

經過這篇文章，您將瞭解神經網絡的主要缺點，閱讀完它後，您將知道神經網絡的主要缺點，當您爲當前的機器學習問題選擇正確類型的算法時，您將有一個大體的指導原則。

目錄：

1. 爲何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。

爲何深度學習被如此大肆宣傳？

1. 數據

深度學習之因此如此受歡迎是由於在2018年有大量的在過去幾年或者幾十年中收集獲得的可用數據。神經網絡得到的數據越多，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，更多的數據並不能提升其性能。下面的圖說明了這一點：

2. 計算能力

另一個很是重要的緣由是當前可用的計算能力，使咱們可以處理更多的數據。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一個時間單位乘以一個常數因子（例如，每一年增長一倍）。也就是說計算能力呈指數增加而不是逐漸增長。

3. 算法

深度學習之因此備受關注的第三個因素是算法自己的進步。算法開發中的這些最近的突破主要是使它們比之前運行得更快，這使得使用愈來愈多的數據成爲可能。

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，可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，這使得新的宣傳成爲可能，這也是許多人錯誤地認爲深度學習是一個新創造的領域的緣由。

此外，其餘因素也爲深度學習的營銷作了貢獻：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

應該使用神經網絡仍是傳統的機器學習算法?這是一個很難回答的問題，由於它很大程度上取決於你要解決的問題。這代表，世界上沒有「完美」的機器學習算法，可以在任何問題上都表現的出色。這也是您須要精通幾種算法的緣由，以及爲何大量的練習訓練是得到優秀機器學習工程師或數據科學家的惟一方法。儘管如此，神經網絡的主要優點在於其幾乎超越其餘全部機器學習算法的能力，可是這有一些缺點，咱們將在本文中討論並重點關注。

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爲何會產生必定的輸出）。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，可解釋性很是重要。

不少銀行之因此不使用神經網絡來預測一我的是否有信譽，是由於他們須要向客戶解釋爲何他們沒有得到貸款。像Quora這樣的網站也是如此。若是他們由於機器學習算法而決定刪除用戶帳戶，他們須要向用戶解釋爲何這樣作。

若是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爲何應該完成的狀況下作出數百萬美圓的決定嗎？僅僅由於「計算機」說他須要這樣作？

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至關簡單，但有時您須要更多地控制算法的細節。您可能還會使用到Tensorflow，可是因爲它相對複雜，開發須要的時間也更長。對於公司管理層來講，若是用簡單的算法就能夠更快地解決問題，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，神經網絡一般須要更多的數據，至少須要數千數百萬個標記樣本。而若是使用其它算法，許多機器學習問題能夠用較少的數據很好地解決。

雖然在某些狀況下，神經網絡須要處理少許數據（大多數狀況下它們不須要）。而像樸素貝葉斯這樣的簡單算法也能夠很好地處理少數數據。

4. 計算代價高昂

一般，神經網絡比傳統算法的計算代價更高。對於最早進的深度學習算法，完成深度神經網絡從頭至尾的完整訓練，可能須要幾周的時間。而大多數傳統的機器學習算法則只須要少於幾分鐘到幾個小時或幾天的時間便可。

神經網絡所需的計算能力很大程度上取決於數據的大小，同時也取決於網絡的深度和複雜程度。

結論

在我看來，深度學習目前有點過分宣傳。但並非說它毫無用處，我認爲這是一個機器學習復興的時代，它的開放性和民主化，讓愈來愈多的人能夠用它來構建有用的產品。機器學習能夠解決不少問題，我相信這將在將來幾年內發生。

可是還存在一個問題：只有少數人瞭解能夠用它作些什麼，並知道如何創建成功的數據科學團隊，爲公司帶來真正的價值。雖然咱們擁有機器學習背後的理論天才博士級工程師，但他們不懂商業方面的東西。雖然咱們有首席執行官和管理職業的人員，可是他們不知道深度學習能夠作些什麼。在我看來，咱們須要更多的人才來填補這個空白，從而產生更多對咱們社會有用的產品。

本文由阿里云云棲社區組織翻譯。

文章原標題《Pros and Cons of Neural Networks》
做者：Niklas Donges

詳情請閱讀原文