最近条子说他弄个了个新零售的神经网络。一般办公室里的半自动贩售便利柜，都是扫码以后，靠自觉取产品。条子是闭着眼睛，靠神经取产品…
我说你这不是神经网络，你这就是神经病。他还不服气，说禅师你看，现在神经网络多火啊!
百度指数ߑ�
感觉好像神经网络简直就是万能神油一样，人们希望干什么都能用到神经网络。图像、自然语言、医疗…
人工智能头条的一些粉丝群里，也有人问起:到底这个神经网络，好在哪里?而他到底有没有什么缺陷的地方呢?
刚好 SAP 机器学习基金会的成员 Niklas Donges 就写了一篇文章，详细解读了神经网络(各种 NN)的优点和缺陷，并授权人工智能头条翻译发布。
全文大约2500字。读完可能需要好几首下面这首歌的时间
炒作，为什么?
Niklas Donges 觉得，最近的神经网络是火的有点过了。当然，这也是有原因的:
原因之一:数据
几十年来积累的海量数据，在2018年，迎来了最光辉的时刻!使得神经网络能够真正展示自己的潜力。数据之于神经网络，就好比波纹之于 JoJo，气之于龟仙人。
数据越多，神经网络越浪!
相比之下，传统的机器学习算法在数据量面前，会触及一个天花板。一旦到达极限，传统机器学习算法将无法跟上数据增长的步伐，性能则停滞不前。我们用一张图来更直观的说明:
原因之二:计算能力
另一个非常重要的原因是现在的计算能力。想想比特币矿机，单机就能达到那样恐怖的算力!
强大的算力能够处理更多数据，节省更多时间。根据人工智能领域的重要人物 Ray Kurzweil 的说法，计算能力是呈指数增长。
是不是想起了摩尔定律?
原因之三:算法
增加深度学习流行度的第三个因素是算法本身已经取得的进步。这些最近在算法开发方面的突破，主要是因为它们比以前运行得更快，这就可以尽可能充分的的利用所有数据，做到不浪费。
原因之四:营销
营销，就是给太上老君八卦炉扇火的那把芭蕉扇，可以把星星之火，扇成森林大火。
自1944年提出神经网络概念以来，已经被炒过一轮了，市场已经疲软，没人相信和投资了。
“深度学习”这个词，赋予了它一个新的名字，使新的炒作成为可能。这也是为什么，许多人错误地认为深度学习是一个新创造的领域。
此外，还有其他一些因素促成了深度学习的营销。例如第一个机器人公民 Sophia，以及机器学习等主要领域的几项突破等等。
图片来源:http://www.tvisha.com/blog/sophia-the-first-robot-citizen-in-saudi-arabia/
抛开这些虚幻的因素，接下来 Niklas Donges 通过和传统机器学习算法的对比，阐述了神经网络的优缺点。
优点
神经网络的主要优点，在于它们能够胜过几乎所有其他机器学习算法。例如在癌症检测中，对于性能的要求是非常高的，因为性能越好，可以治疗的人越多。
缺点1:著名的“黑匣子”问题
图片来源: https : //www.learnopencv.com/neural-networks-a-30000-feet-view-for-beginners/
神经网络最着名的缺点，可能就是“黑匣子”性质。这意味着你不知道你的神经网络将会如何产出结果，更不知道为什么会产生这种结果。
例如，你把一张猫的图像放入神经网络，结果告诉你这是个汽车 ߤ�。而且你也没办法找出问题的症结所在。
相反，像决策树这样的算法，是遵循一定的逻辑性，是可被解释的，你就很容易找出问题所在，并进行调整。在某些领域，这种可解释性非常重要!比如银行。
银行不会使用神经网络来预测一个人的信誉。银行需要向客户解释为什么没有获得贷款，而神经网络恰恰无法做出解释。
假如 Quora 决定使用神经网络算法删除垃圾帐户，结果就像是灭霸的手套一样，反正你也不知道它是根据什么规则定义一个账户是不是垃圾账户，结果就被灭了。
你觉得被删除账户的用户，会接受“我们也不清楚，这都是计算机决定的”这种解释吗?
以及，你能想象马云收购一家公司，只是因为“电脑”说他需要这样做?
缺点2:耗时耗力
(图片来源: http : //slideplayer.com/slide/6816119/ )
虽然有像 Keras 这样的库，使得神经网络的开发变得相当简单。但有时你需要更多地控制算法的细节，
例如试图用机器学习来解决一个从没有人做过的难题。你可能会使用 Tensorflow，它是为你提供了更多的可能性。但它更复杂，开发需要更长的时间(取决于你想要构建的东西)。
那么对于公司管理层来说问题就出现了，真的值得动用昂贵的工程师花费数周时间吗?可能用其他算法，一天就搞定了。
缺点3:数据饕餮
神经网络比传统的机器学习算法通常来说，需要更多的数据。数千，甚至数百万的标记样本才够。这么多的数据从哪儿来?显然是个非常让人头疼的问题。
相较而言，像朴素贝叶斯这样的简单算法，可以更好地处理小数据。
(图片来源: https : //abm-website-assets.s3.amazonaws.com/wirelessweek.com/s3fs-public/styles/contentbodyimage/public/embedded_image/2017/03/gpu%20fig%202.png?itok= T8Q8YSe- )
缺点4:贵
这里的贵，指的是算力的昂贵，时间的昂贵。最先进的深度学习算法，实现真正深度神经网络的成功训练，可能需要数周才能完全训练完毕。
然而大多数传统的机器学习算法训练时间要少得多，从几分钟到几小时或几天不等。
神经网络所需的计算能力在很大程度上取决于数据的大小，也取决于网络的深度和复杂程度。只有一个层 + 50个神经元的神经网络，当然比1000个决策树的随机森林快得多。相比之下，有50个层的神经网络，将比仅具有10个决策树的随机森林慢得多。
总结
虽然 Niklas Donges 认为神经网络被过度预期了。但他同时认为，我们生活在机器学习复兴中。因为它越来越亲民，越来越多的人能够用来构建有用的产品。
但一些现实问题，我们也不能忽视。目前，只有少数人了解可以用神经网络做什么，并且知道如何建立成功的数据科学团队，为公司带来真正的价值。
虽然我们拥有如此多的天才级博士工程师，他们深谙机器学习背后理论，却缺乏对商业方面的理解。
同时，企业的高管，CEO，并不了解深度学习。他们被忽悠的认为，公司面临的所有问题都会被人工智能在未来几年内解决掉 ߤ�。
所以，我们需要更多人来衔接两者的鸿沟，从而产生更多对我们社会有用的产品。
作者介绍
Bonus
作者提到的《原则》一书，扫码下面二维码即可免费试读，以及购买电子版。
幸福
无非就是
我 AI 你返回搜狐，查看更多
责任编辑: