神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和缺點(diǎn)

深度學(xué)習(xí)目前大受追捧。人們總想在各個(gè)方面使用神經(jīng)網(wǎng)絡(luò)，但它們總是正確的選擇嗎？

在本文中我們將探討如今深度學(xué)習(xí)如此受歡迎的原因。在讀完本文后，你將了解神經(jīng)網(wǎng)絡(luò)的主要優(yōu)缺點(diǎn)，并且當(dāng)你為解決機(jī)器學(xué)習(xí)問(wèn)題選擇合適類(lèi)型的算法時(shí)，你將做到心中有數(shù)。你還將了解目前在機(jī)器學(xué)習(xí)中我們遇到了哪些主要問(wèn)題。

為什么深度學(xué)習(xí)如此熱門(mén)？

深度學(xué)習(xí)如此熱門(mén)的主要包括以下四個(gè)原因，即數(shù)據(jù)、計(jì)算能力、算法和市場(chǎng)營(yíng)銷(xiāo)。接下來(lái)我們將一一探討。

1. 數(shù)據(jù)

深度學(xué)習(xí)大受追捧的一個(gè)因素是，如今有大量可使用的數(shù)據(jù)，這些數(shù)據(jù)是在過(guò)去幾年，幾十年中收集的。這使得神經(jīng)網(wǎng)絡(luò)能夠真正發(fā)揮其潛力，因?yàn)?a href='/map/shenjingwangluo/' style='color:#000;font-size:inherit;'>神經(jīng)網(wǎng)絡(luò)獲得的數(shù)據(jù)越多，表現(xiàn)越好。

相比之下，傳統(tǒng)的機(jī)器學(xué)習(xí)算法在達(dá)到一定水平時(shí)，獲得更多的數(shù)據(jù)并不會(huì)提高其性能。以下圖表說(shuō)明了這一點(diǎn)：

2. 計(jì)算能力

另一個(gè)非常重要的因素是，如今可用的計(jì)算能力能夠讓我們處理更多的數(shù)據(jù)。

根據(jù)人工智能的領(lǐng)軍人物Ray Kurzweil的說(shuō)法，在每個(gè)時(shí)間單位，計(jì)算能力以乘以某個(gè)常數(shù)的速度增長(zhǎng)(例如，每年增加一倍)，而不是逐漸增加。這意味著計(jì)算能力呈指數(shù)增長(zhǎng)。

3. 算法

深度學(xué)習(xí)大受追捧的第三個(gè)因素是算法本身的進(jìn)步。最近算法開(kāi)發(fā)方面的突破讓其比以前運(yùn)行得更快，從而能夠讓我們使用越來(lái)越多的數(shù)據(jù)。

4. 市場(chǎng)營(yíng)銷(xiāo)

同時(shí)，市場(chǎng)營(yíng)銷(xiāo)也很重要。神經(jīng)網(wǎng)絡(luò)已經(jīng)存在了幾十年(在1944年首次提出)，當(dāng)時(shí)已經(jīng)有一些宣傳，但沒(méi)有人相信以及愿意進(jìn)行投資。

“深度學(xué)習(xí)”讓其有了一個(gè)高大上的名字，讓其更好進(jìn)行宣傳，同時(shí)也讓許多人錯(cuò)誤地認(rèn)為深度學(xué)習(xí)是一個(gè)全新的領(lǐng)域。

此外，其他因素也促成了深度學(xué)習(xí)的市場(chǎng)推廣。例如漢森機(jī)器人公司有爭(zhēng)議的機(jī)器人Sophia，以及機(jī)器學(xué)習(xí)主要領(lǐng)域的幾項(xiàng)突破等等。

神經(jīng)網(wǎng)絡(luò) VS 傳統(tǒng)算法

你應(yīng)該使用神經(jīng)網(wǎng)絡(luò)還是傳統(tǒng)的機(jī)器學(xué)習(xí)算法?這是一個(gè)難以回答的問(wèn)題，因?yàn)檫@很大程度上取決于你想要解決的問(wèn)題。

我們要明確的是并不存在一種“完美的”機(jī)器學(xué)習(xí)算法，能夠出色地解決任何問(wèn)題。對(duì)于某個(gè)問(wèn)題，有的方法是適合的，有的則反之。

但我認(rèn)為這正是機(jī)器學(xué)習(xí)有趣的地方所在。這也說(shuō)明為什么你需要精通多種算法；在練習(xí)中反復(fù)試錯(cuò)才是成為優(yōu)秀機(jī)器學(xué)習(xí)工程師或數(shù)據(jù)科學(xué)家的唯一方法。

下面我將提供一些方法，幫助你理解何時(shí)要選擇哪種類(lèi)型的算法。

神經(jīng)網(wǎng)絡(luò)的主要優(yōu)勢(shì)在于，它的性能優(yōu)于幾乎其他的機(jī)器學(xué)習(xí)算法。但同時(shí)也存在一些缺點(diǎn)，這也是你需要重點(diǎn)關(guān)注的。正如我之前所說(shuō)的，是否應(yīng)該使用深度學(xué)習(xí)，這主要取決于你需要解決的問(wèn)題。例如，在癌癥檢測(cè)中，高性能至關(guān)重要，因?yàn)樾阅茉胶?，越多的人可以接受治療。但是?duì)于一些機(jī)器學(xué)習(xí)問(wèn)題，傳統(tǒng)算法可以提供更好的結(jié)果。

1. 黑箱

神經(jīng)網(wǎng)絡(luò)最廣為人知的缺點(diǎn)是“黑箱”性質(zhì)，這意味著你不知道神經(jīng)網(wǎng)絡(luò)如何以及為何會(huì)得出一定的輸出。例如，當(dāng)你將一張貓的圖像輸入神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)這是汽車(chē)時(shí)，很難理解為什么會(huì)導(dǎo)致它產(chǎn)生這個(gè)預(yù)測(cè)。當(dāng)你有可解釋的特征時(shí)，就能更容易的理解其錯(cuò)誤的原因。相比起來(lái)，像決策樹(shù)這樣的算法更容易理解。這是很重要的，因?yàn)樵谀承╊I(lǐng)域可解釋性至關(guān)重要。

這就是為什么許多銀行不使用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)客戶(hù)是否有信用，因?yàn)樗麄冃枰蚩蛻?hù)解釋為什么他們無(wú)法獲得貸款。否則用戶(hù)會(huì)產(chǎn)生誤解和不滿(mǎn)，因?yàn)樗幻靼诪槭裁醋约簾o(wú)法獲得貸款。

像Quora這樣的網(wǎng)站也是如此。如果他們通過(guò)機(jī)器學(xué)習(xí)算法決定刪除某個(gè)用戶(hù)的帳戶(hù)，他們需要向用戶(hù)解釋當(dāng)中的原因。如果僅僅說(shuō)”這是計(jì)算機(jī)的決定”，這樣的答案是不盡人意的。

制定重要的商業(yè)決策時(shí)也是如此。你能想象大公司的CEO在做出關(guān)于數(shù)百萬(wàn)美元的決定，而不探究當(dāng)中的原因，僅僅因?yàn)橛?jì)算機(jī)的決策嗎？

2. 開(kāi)發(fā)時(shí)間

雖然像Keras這樣的庫(kù)讓神經(jīng)網(wǎng)絡(luò)的開(kāi)發(fā)變得簡(jiǎn)單，但有時(shí)你需要更多地控制算法的細(xì)節(jié)。特別是當(dāng)你試圖解決機(jī)器學(xué)習(xí)中之前沒(méi)人做過(guò)的難題時(shí)。

接著你可能會(huì)使用Tensorflow，它為你提供了更多的機(jī)會(huì)，但同時(shí)因?yàn)樗哺鼜?fù)雜，開(kāi)發(fā)時(shí)間更長(zhǎng)。對(duì)于公司管理層來(lái)說(shuō)，他們需要決定是否值得這么做。使用深度學(xué)習(xí)，工程師需要花費(fèi)數(shù)周的時(shí)間進(jìn)行開(kāi)發(fā)，而用更簡(jiǎn)單的算法能夠更快的解決問(wèn)題。

3. 數(shù)據(jù)量

與傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比，神經(jīng)網(wǎng)絡(luò)通常需要更多的數(shù)據(jù)，至少需要數(shù)千甚至數(shù)百萬(wàn)個(gè)標(biāo)記樣本。這不是一個(gè)容易解決的問(wèn)題，但如果使用其他算法，則可以用更少的數(shù)據(jù)解決相關(guān)的機(jī)器學(xué)習(xí)問(wèn)題。

盡管有些情況下，神經(jīng)網(wǎng)絡(luò)在很少的數(shù)據(jù)下也能很好的解決問(wèn)題，但這是少數(shù)情況。在這種情況下，像樸素貝葉斯這樣的簡(jiǎn)單算法能通過(guò)少量數(shù)據(jù)解決問(wèn)題，這顯然是更好的選擇。

4. 計(jì)算成本

通常在計(jì)算方面，神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)算法更昂貴。先進(jìn)的深度學(xué)習(xí)算法，若想成功完成訓(xùn)練，可能需要幾周的時(shí)間。而大多數(shù)傳統(tǒng)的機(jī)器學(xué)習(xí)只需花費(fèi)少于幾分鐘，幾個(gè)小時(shí)或者幾天。

神經(jīng)網(wǎng)絡(luò)所需的計(jì)算能力很大程度上取決于數(shù)據(jù)的大小，也取決于網(wǎng)絡(luò)的深度和復(fù)雜程度。例如，將比具有1000個(gè)決策樹(shù)的隨機(jī)森林，具有一層和50個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)要快得多。同時(shí)，相，具有50層的神經(jīng)網(wǎng)絡(luò)將比僅有10個(gè)決策樹(shù)的隨機(jī)森林更慢。

總結(jié)

現(xiàn)在你知道對(duì)于某些任務(wù)來(lái)說(shuō)神經(jīng)網(wǎng)絡(luò)是不錯(cuò)的選擇，而對(duì)于某些任務(wù)來(lái)說(shuō)并非如此。

大量的數(shù)據(jù)、更多的計(jì)算能力、更好的算法和智能的營(yíng)銷(xiāo)促進(jìn)了深度學(xué)習(xí)的受歡迎程度，并使其成為目前最熱門(mén)的領(lǐng)域之一。

最重要的是，你已經(jīng)了解到神經(jīng)網(wǎng)絡(luò)幾乎優(yōu)于所有其他機(jī)器學(xué)習(xí)算法，以及與之相伴隨的缺點(diǎn)。那就是“黑箱”性質(zhì)，更長(zhǎng)的開(kāi)發(fā)時(shí)間，所需的數(shù)據(jù)量以及高昂的計(jì)算成本。

結(jié)論

在我看來(lái)，目前深度學(xué)習(xí)有點(diǎn)過(guò)度炒作，并且期望超過(guò)了其實(shí)際能力。但這并不意味著深度學(xué)習(xí)是沒(méi)有用的。

如今機(jī)器學(xué)習(xí)變得越來(lái)越普遍，越來(lái)越多的人可以用它來(lái)構(gòu)建有用的產(chǎn)品。同時(shí)，機(jī)器學(xué)習(xí)可以解決很多問(wèn)題，這都是未來(lái)幾年內(nèi)會(huì)實(shí)現(xiàn)的。

其中一個(gè)主要問(wèn)題是，只有少數(shù)人了解可以用深度學(xué)習(xí)做些什么，并知道如何構(gòu)建出色的數(shù)據(jù)科學(xué)團(tuán)隊(duì)，為公司帶來(lái)真正的價(jià)值。一方面，我們擁有博士級(jí)工程師，他們熟知機(jī)器學(xué)習(xí)背后的理論，但缺乏對(duì)商業(yè)方面的理解。另一方面，公司的領(lǐng)導(dǎo)層和管理人員，他們不知道深度學(xué)習(xí)可以做些什么，并認(rèn)為它將在未來(lái)幾年解決所有的問(wèn)題。在我看來(lái)，我們需要更多的人才來(lái)填補(bǔ)來(lái)彌補(bǔ)當(dāng)中的差距，這將會(huì)為我們的社會(huì)帶來(lái)更多有用的產(chǎn)品。