即使你是掌握了人工智能和神經網絡基礎知識的數據科學家，你可能還需要更多的時間來了解卷積，了解通過組合低層特征形成更加抽象的高層表示屬性類別或特征的深度學習算法的復雜性。隨著深度學習的不斷創新，這種技術將面臨一種風險，即對于普通開發人員來說，如果不進行深入研究難以掌握這種技術。
深度學習的潛力似乎是無限的，開發人員仍然在想如何高效利用深度學習來創造價值。到這十年結束時，深度學習行業將大大簡化其提供的功能，使其對普通開發人員也是易于理解和可用的。深度學習的工具，平臺和解決方案未來由繁入簡的主要趨勢如下：
1、深度學習行業將采用一套核心標準工具
到這個十年結束時，深度學習社區將會匯聚一套核心的工具框架。目前，深度學習領域的從業人員有很多的工具可以選擇，其中大部分還是開源的。最受歡迎的包括TensorFlow，BigDL，OpenDeep，Caffe，Theano，Torch和MXNet。工具繁多，而且大部分還處于起步階段，功能相對來說比較單一，隨著深度學習的不斷發展，一些工具會慢慢被淘汰，一些工具則會逐漸占據較大優勢，最后深度學習領域會形成一整套核心標準工具。
2、深度學習將在Spark內獲得原生支持
Spark社區將在未來12到24個月內提升平臺的深度學習能力。根據最近的Spark峰會，看起來社區更傾向于支持TensorFlow，不過，至少BigDL，Caffe和Torch也被采納了。
3、深度學習將在開放分析生態系統中找到一個穩定的利基
大多數深度學習部署已經依賴于Spark，Hadoop，Kafka和其他開源數據分析平臺。越來越清楚的是，如果沒有這些其他平臺提供的全套大數據分析能力，用戶就無法充分地訓練，管理和部署深度學習算法。特別是，Spark正在成為一個在各種工具中用于擴展和加速建立深度學習算法的重要平臺。最近，許多深度學習開發人員正在使用Spark集群來完成諸如超參數優化，快速內存數據訓練，數據清理和預處理等特殊管道任務。
4、深度學習工具將結合用于快速編碼的簡化編程框架
應用程序開發人員將堅持使用API，并不斷努力用更少的代碼行快速編碼核心算法功能。展望未來，深度學習開發人員將采用集成，開放，基于云的開發環境，提供對各種現成的和可插拔算法庫的訪問。這些將支持API驅動開發深度學習應用程序作為可組合的容器化微服務。這些工具將自動深入到深度學習開發所需的功能中，并提供一個notebook導向的協作和共享范式。隨著這種趨勢的加劇，我們將看到更多關于此的頭條新聞，比如在50代碼(PyTorch)之內生成對抗網絡。
5、深度學習工具包將支持可重用組件的可視化開發
深度學習工具包將包含模塊化功能，便于從現有構建塊進行視覺設計，配置和培訓新模型。許多這樣的可重用組件將從處理類似用例的先前項目中獲得經驗?？芍貜褪褂玫纳疃葘W習工具將結合到標準庫和接口中，包括特征表示，神經節點分層，權重，訓練方法，學習速率和先前模型的其他相關特征。
6、深度學習工具將嵌入每個設計里面
開始設想“民主化深度學習”還為時尚早。在未來5到10年內，深度學習開發工具，庫和語言將成為每個軟件開發工具包的標準組件。同樣重要的是，用戶友好的深度學習將被嵌入由藝術家，設計師，建筑師和所有富有創造力的設計工具中。這些深度學習工具將用于圖像搜索，自動標記，逼真的渲染，增強分辨率，風格轉換，奇特的圖形和音樂作曲等各個方面。
隨著深度學習市場向大規模應用前進，它將跟隨數據可視化，商業智能和預測分析市場的腳步。他們都將自己的解決方案轉移到自助服務的基于云的交付模式，為那些不想被潛在的技術復雜性分散的用戶快速提供價值。這就是技術發展的方式。
京公網安備 11010502049343號