關於深度學習未來發展方向的六項預測

2021-01-11 51CTO
關於深度學習未來發展方向的六項預測

隨著深度學習在大規模市場化應用領域的快速推進，其將與數據可視化、商務智能與預測分析一道成為眾多行業的立足基石。本文將與大家一同探討關於深度學習未來發展方向的六項預測。

作者：核子可樂譯來源：51CTO|2017-02-24 07:23

【51CTO.com快譯】深度學習是個複雜的概念，其中每項因素都不簡單。即使您身為已經熟練掌握人工神經網絡基礎知識的數據科學家，大家也需要時間了解加速卷積、復發、生成以及其它與多層深度學習算法規範相關的複雜概念。而隨著深度學習創新態勢的升溫，這一技術開始面臨新的風險——對於普通開發者而言，其過度複雜的特性導致我們即使深入研究也很難加以了解。

但我個人對此倒是頗有信心，在我看來在這個十年結束時，深度學習業界將大大簡化其功能交付方式，意味著普通開發者也能夠理解並加以採用。下面，我將與大家一同探討關於深度學習未來發展方向的六項預測。

1.深度學習業界將採用一組核心標準化工具

到這個十年結束時，深度學習業界將建立起一組核心標準化工具框架。就目前而言，深度學習專家已經選定了一部分工具選項，其中大部分為開源項目。最具人氣的成果包括TensorFlow、BigDL、OpenDeep、Caffe、Theano、Torch以及MXNet。

2.深度學習將在Spark之內實現原生支持

Spark社區將在未來一到兩年內增強該平臺的原生深度學習能力。通過本屆Spark峰會的發言來看，整個技術社區似乎正將努力方向明確指向TensorFLow，而BigDL、Caffe與Torch也至少會被納入支持範疇。

3.深度學習將在開放分析生態系統中找到堅實的利基平臺

大多數深度學習部署方案立足於Spark、Hadoop、Kafka以及其它開源數據分析平臺。愈發明確的趨勢指出，我們將無法在缺少由這些平臺提供的完整大數據分析能力的前提下實現深度學習算法的訓練、管理與部署。具體來講，Spark將成為實現深度學習算法在各類工具內規模化與加速建立的基礎性平臺。可以肯定的是，多數深度學習開發者正在利用Spark集群以實現超參數優化、快速內存數據訓練、數據清理以及預處理等特定任務。

4.深度學習工具將引入經過簡化的編程框架以實現快速編碼

應用開發者社區將繼續採用API及其它編程抽象方案，旨在降低代碼行數以快速完成核心算法功能的開發。展望未來，深度學習開發者將越來越多地腰牌集成化、開放、基於雲的開發環境，並由此訪問更為廣泛的現成及可插拔算法庫。這一切將使得深度學習應用以可組裝容器化微服務的形式實現API驅動型開發。此類工具將自動實現更多深度學習開發管道功能，同時提供適用於筆記本設備的協作與共享規範。隨著這種趨勢的加劇，我們將看到更多諸如《50行代碼(Pytorch)實現生成式對抗網絡》這樣的頭條新聞。

5.深度學習工具集將支持可復用組件的可視化開發

深度學習工具集將引入更多模塊化功能以實現可視化設計、配置以及立足於原有構建組件的新模型訓練。其中大部分可復用組件將通過「翻譯學習」從原有項目中提取，用以解決類似的用例。可復用深度學習工件將被結合到標準庫與接口當中，具體包括特徵表達、神經節點分層、權重方法、訓練方法、學習速率以及其它與原有模型相關的功能。

6.深度學習工具將被嵌入至每一類設計面

現在討論「深度學習民主化」進程還為時過早。在未來五到十年內，深度學習開發工具、庫以及語言將逐漸成為每一種軟體開發工具集內的標準組件。同樣重要的是，這些用戶友好型深度學習開發能力將被嵌入至生成式設計工具內，以供藝術家、設計師、架構師以及來自各個領域的創造性工作者使用。推動這一切的正是深度學習工具的易用性，其強大的能力將被廣泛應用於圖像搜索、自動標記、仿真渲染、解析度增強、風格轉換、圖形啟發以及音樂編曲等層面。

隨著深度學習在大規模市場化應用領域的快速推進，其將與數據可視化、商務智能與預測分析一道成為眾多行業的立足基石。而各類嘗試學習方案也將開始向自助服務式雲交付模式轉型，從而為那些不希望接觸底層技術複雜性的用戶提供便利。而這，也正是長久以來技術發展的必然趨勢。

原文標題：6 predictions for the future of deep learning

原文作者：James Kobielus

【51CTO譯稿，合作站點轉載請註明原文譯者和出處為51CTO.com】

【編輯推薦】

點讚 0

相關焦點

  • 深度學習與自然語言處理的工作概述及未來發展
    本文首先回答關於深度學習的幾個常見問題，介紹深度學習研究的最新進展，特別是一些代表性工作，同時概述我們的深度學習與自然語言處理的工作，最後總結深度學習的未來發展趨勢。　　關於深度學習的幾個常見問題　　這裡嘗試回答三個關於深度學習的常見問題。深度學習為什麼很強大？深度學習是否是萬能的？深度學習與人的大腦有什麼關係？　　深度學習為什麼很強大？
  • 未來10年技術發展方向 李彥宏給了這樣的預判
    對於未來的科技發展趨勢，百度創始人、董事長兼CEO李彥宏也給出了自己的預測，他表示，未來包括自動駕駛、機器翻譯、生物計算、深度學習框架、數字城市運營、知識管理、AI晶片和個人智能助手在內的八項技術將會出現從量變到質變的轉化，對數字經濟，甚至更廣泛的社會、文化領域將產生深遠的影響。
  • 2020年深度學習發展大盤點及對2021年深度學習的未來展望|極客雲算
    深度學習框架作為AI底層工具，對個人而言是進入深度學習世界的一把鑰匙，掌握深度學習框架並不等於理解了深度學習，要在AI開發中有所作為，關鍵還是要真正理解框架背後的技術、實踐和生態。隨著近年來的人工智慧發展，2020年深度學習依然是發展最快的領域之一，直奔未來工作。其發展是多方面的，而且是多方位的。
  • 人工智慧深度學習的未來展望
    本文是推出的人工智慧深度學習綜述，也是Hinton、LeCun和Bengio三位大神首次合寫同一篇文章。該綜述在深度學習領域的重要性不言而喻，可以說是所有人入門深度學習的必讀作品。 本文上半部分深入淺出介紹深度學習的基本原理和核心優勢，下半部分則詳解CNN、分布式特徵表示、RNN及其不同的應用，並對深度學習技術的未來發展進行展望。
  • 2020-2026年中國船舶製造業行業發展深度調研與未來趨勢預測報告
    《2020-2026年中國船舶製造業行業發展深度調研與未來趨勢預測報告》對船舶製造業行業相關因素進行具體調查、研究、分析，洞察船舶製造業行業的發展方向、船舶製造業行業競爭格局的演變趨勢以及船舶製造業技術標準、船舶製造業市場規模、船舶製造業行業潛在問題與船舶製造業行業發展的癥結所在
  • 2020-2020年中國納米拋光漿料行業發展深度調研與未來趨勢預測報告
    2020-2020年中國納米拋光漿料行業發展深度調研與未來趨勢預測報告對我國納米拋光漿料行業現狀、發展變化、競爭格局等情況進行調研分析，並對未來納米拋光漿料市場發展趨勢作了闡述，還根據納米拋光漿料行業的發展軌跡對納米拋光漿料行業未來發展前景作了審慎的判斷，為納米拋光漿料產業投資者尋找新的投資亮點。
  • CellPress|單細胞技術和基於深度學習的藥物反應預測
    與傳統的大規模測序分析方法相比，單細胞測序分析的快速發展，可以幫助我們更好的理解腫瘤基因組，轉錄組和基因組異質性的概況。不僅如此，據調查顯示，單細胞測序分析技術可以使腫瘤對藥物暴露的反應更大。目前，深度學習模型已經能夠從大量複雜的序列數據中提取出特徵，用於預測藥物的反應。
  • 為什麼說「無監督學習」才是深度學習的未來?
    我們已經在之前的一篇文章中探討了神經網絡和深度學習技術，現在是時候討論深度學習的另一個主要組成部分了：數據，即圖像，視頻，電子郵件，駕駛模式，短語，物體等等。 　　令人驚訝的是，儘管我們的世界幾乎被數據所淹沒，但很大一部分是未經標註未被整理過的，這意味著這些數據對於大多數目前的監督式學習來說是不可用的。
  • 點內科技:基於3D深度學習自動預測肺腺癌EGFR突變狀態,預測精準度...
    基於3D深度學習自動預測肺腺癌EGFR突變狀態，預測精準度超過傳統影像組學近年來以深度卷積神經網絡為代表的深度學習在醫學圖像計算方面顯示出令人難以置信的優越表現，並在很大程度上降低了人工操作的必要性。此前，點內科技聯合復旦大學附屬華東醫院和上海交通大學SJTU-UCLA機器感知與推理聯合研究中心等利用3D深度學習技術，成功證明了3D深度學習在預測肺腺癌侵襲性方面的有效性和效能，準確率高達88%[12]。
  • 2019-2025年中國橡膠行業發展深度調研與未來趨勢預測報告
    《2019-2025年中國橡膠行業發展深度調研與未來趨勢預測報告》主要依據國家統計局、發改委、國務院發展研究中心、國家信息中心、橡膠相關協會的基礎信息以及橡膠科研單位等提供的大量資料，對橡膠行業發展環境、橡膠產業鏈、橡膠市場規模、橡膠重點企業等進行了深入研究，並對橡膠行業市場前景及橡膠發展趨勢進行預測。
  • 2020-2026年中國風電行業發展深度調研及未來趨勢預測報告
    據中國產業調研網發布的2020-2026年中國風電行業發展深度調研及未來趨勢預測報告顯示，在風電發電方面，**年全國發電量排在前十的省份分別是內蒙古（612.8億千瓦時）、新疆（391.4億千瓦時）、河北（277.3億千瓦時）、雲南（245.3億千瓦時）、甘肅（226.9億千瓦時）、山西（188.1億千瓦時）、寧夏（173億千瓦時）、山東（162.4億千瓦時）、江蘇（158.6億千瓦時
  • 《人工智慧之表示學習》報告重磅發布:AI未來發展方向與前景
    導讀：近日，由清華大學人工智慧研究院、北京智源人工智慧研究院和清華-中國工程知識智能聯合研究中心編寫的《人工智慧之表示學習》報告正式發布。該報告主要從概念、理論模型、領域人才、技術趨勢等4個部分，介紹知識表示學習的技術發展和研究最新進展，並展望該技術的未來發展方向與前景。
  • 謝國彤:疾病預測的機器學習、深度學習和經典回歸方法
    一晃快一年了，現在推出第二篇，疾病預測技術的概念、方法和趨勢，淺析前文中提到的疾病預測技術的核心概念、主要方法和發展趨勢。疾病預測的核心概念疾病風險預測核心解決的問題是預測個體在未來一段時間內患某種疾病（或發生某種事件）的風險概率。
  • ARXIV:深度學習在金融領域中的應用 | 唧唧堂論文解析
    然而，相比較ML領域，DL（深度學習）是一個新興領域，越來越多的 DL 模型開始應用在金融中。本文的重點是介紹DL模型在不同金融領域的已實現應用，以便幫助對DL感興趣的研究人員和從業人員決定研究方向。因此本文提出了如下問題：1. 哪些金融領域是深度學習的應用熱門？2. 這些領域的現存研究是否成熟？
  • 「深度學習」通過學習勢能函數實現蛋白質的結構預測
    然而在很多情況下，蛋白質的三維結構信息是難以獲得的，因此有必要藉助基於理論計算的方法對其結構進行預測。深度神經網絡（DNN）近期在蛋白質結構預測方面展現出了優異的表現，該領域常用的方法包括（1）胺基酸殘基間距預測（參考：AlphaFold開啟了新方向嗎）以及（2）相鄰殘基間的扭轉角預測（參考：最新蛋白結構預測模型-循環幾何網絡RGN），這些方法在往期的推送中都有所涉及。
  • |利用深度學習實現流式肽合成的預測與優化
    近年來，流式化學技術的發展催生了自動合成儀化學平臺的設計與使用，作者的實驗室就設計了一個自動化的快速流式肽合成儀(AFPS)，可以實現高效自動的SPPS。但是，合成過程中出現聚集等副反應的問題仍未得到解決。為了提高產率，作者設想通過算法對自動合成進行實時的優化。為了實現這一設想，作者需要這種算法可以在合成條件與產率之間建立準確的聯繫，這一目標可以通過深度學習來實現。
  • 未來自動化科學與技術的發展方向
    , 以研究實現願景功能的建模、控制與優化新算法和新的自動化系統的設計方法和實現技術以及結合重大應用領域開展的應用研究為主線, 提出了自動化科學與技術的發展方向, 並結合新興應用領域對自動化科學與技術的需求與挑戰, 提出了未來自動化科學與技術的發展方向.
  • 中國科學院提出未來20年地球科學發展六大研究方向
    中新社北京九月二十七日電(記者孫自法)中國科學院院士、院學部諮詢評議工作委員會主任趙忠賢二十七日在此間稱，該院地學部已完成《關於地球科學國家中長期發展規劃戰略研究諮詢報告》初稿，初步提出了未來十五到二十年地球科學發展的六個重大戰略研究方向。
  • 深度學習在醫學影像中的研究進展及發展趨勢
    隨著深度學習的出現，利用深度神經網絡分析醫學影像已成為目前研究的主流。根據醫學影像分析的流程，從醫學影像數據的產生、醫學影像的預處理，到醫學影像的分類預測，充分闡述了深度學習在每一環節的應用研究現狀，並根據其面臨的問題，對未來的發展趨勢進行了展望。關鍵詞：深度學習 ; 醫學影像 ; 圖像處理 ; 人工智慧 ; 卷積神經網絡論文引用格式：王麗會,秦永彬.
  • 手把手:教你如何用深度學習模型預測加密貨幣價格
    加密貨幣是一項顛覆性的技術，它背後的原理引人注目，我十分看好它未來的發展。實際上，我並沒有持有任何加密貨幣，但說起憑藉深度學習、機器學習以及人工智慧成功預測加密貨幣的價格，我覺得自己還算是個老司機。一開始，我認為把深度學習和加密貨幣結合在一起研究是個非常新穎獨特的想法，但是當我在準備這篇文章時，我發現了一篇類似的文章。那篇文章只談到比特幣。