[NHẠC] Mạng thần kinh cung cấp một số kết quả thú vị, tuy nhiên chúng có một vài thách thức. Về mặt chuyên môn chúng cho bạn biểu thị các đặc điểm phức tạp phi tuyến tuyến này 
 và chúng có các kết quả ấn tượng, không chỉ trong computer vision mà còn
 trong các lĩnh vực khác như là phát hiện giọng nói. Các hệ thống như Siru trên điện thoại và các hệ thống khác sử dụng mạng thần kinh đằng sau màn hình cũng như
 một số nhiệm vụ phân tích văn bản. Và nó có tiềm năng với nhiều tác động trong các lĩnh vực. Bây giờ chúng đi kèm với nhiều thách thức. Và để hiểu các thách thức này, chúng ta cần phải nói về quy trình hoạt động
 của việc huấn luyện một mạng lưới. Bạn cần phải bắt đầu với rất nhiều dữ liệu. Dữ liệu đó phải được dán nhãn. Mỗi hình ảnh phải có, đó là hình ảnh về loại chó gì, là chó săn, là poodle, chihuahua, vân vân. Điều đó đòi hỏi nhiều chú thích của con người và co thể rất khó. Nhưng chúng ta bắt đầu với một số hình ảnh. Chúng ta chia chúng thành các nhiệm vụ huấn luyện
 hoặc các tập xác nhận như chúng ta đã thảo luận, và chúng ta đã học về mạng lưới và điều đó có thể mất một thời gian. Nhưng một khi chúng ta xác nhận, 
chúng ta thấy rằng cấu trúc tám lớp phức tạp của 60 triệu thông số không phải cái mà chúng ta cần và chúng ta cần phải sửa đổi nó hoặc chúng ta cần phải
 điều chỉnh các thông số hoặc thay đổi cách chúng ta nghiên cứu. Và chúng ta phải lặp lại nhiều lần. Thực tế để có được mạng lưới, cần phải kết nối các tầng với những đại diện khác nhau và nhiều sự phức tạp trong thuật toán nghiên cứu, vì thế rất khó. Mặc dù có một số thuận lợi, cũng sẽ đi kèm với một số thách thức. Chúng đòi hỏi nhiều dữ liệu để biểu thị, chúng đắt thậm chí với GPU. Và chúng cực kì khó để điều chỉnh, vì thế 
bạn có nhiều lựa chọn, nhiều tầng bạn sử dụng, số lượng tầng và thông số
 bạn sử dụng và điều đó khá là khó. Nếu bạn kết hợp các lựa chọn tính toán và tính chi phí quá sớm, bạn sẽ kết thúc quá trình cực kì khó khăn cho việc tìm ra mạng nơ ron nào để sử dụng. [NHẠC]