[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 现在 神经网络提供了一些非常振奋人心的结果 但是它们也确实面临着很多挑战 好的一面是它们让我们可以真正的表征非线性的 复杂的特征并且具有令人印象深刻的好的性能 不仅仅是在计算机视觉领域
在其他领域比如语音识别也同样有效 所以像Siri和其他一些系统 都使用神经网络
另外一些文本分析任务也用了到神经网络 神经网络有潜力在很广泛的领域造成重要影响 但也面临一些挑战 为了更好的理解这些挑战 我们需要介绍训练神经网络的工作流 在一开始我们需要大量的数据 并且这些数据都得是标注数据 每个图片必须指明是包含哪一种狗
是拉布拉多? 是狮子狗? 是金毛还是吉娃娃? 但是这需要大量的人工标注
可能非常困难 然后我们开始
输入一些图片 把它们划分为训练和测试数据集 然后我们训练一个深度神经网络
可能得花一些时间 但是验证过后 我们意识到复杂的八层结构 包含6,000万参数的模型并不是我们想要的 我们需要修改一下模型
或者调整一下参数 亦或者改变一下学习方法 然后我们需要不停的迭代这个过程 事实上 为了得到那个能取胜的神经网络 他们必须联接很多代表不同特征的层 和很多复杂的细节
所以说其实非常困难 所以尽管神经网络有一些非常明显的优点 它们也有缺点 它们需要大量的数据来获得良好的性能
它们计算量大 尽管可以使用GPU加速
但是计算量仍然偏大 而且它们很难进行调优
你有太多的选择 你用的层数越多 
关于层数和参数多少的选择就越复杂 所以如果你仓促的把过多的选择和计算开销
搅在一起 你会发现很难搞清楚 到底哪个神经网络比较适用 [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community