2017深度学习展望

作者： James Kobielus

编译： AI100

原文地址：

http://www.kdnuggets.com/2016/12/ibm-predictions-deep-learning-2017.html

随着2017年的到来，深度学习技术也迎来了新的一年。深度学习是一门基于多层神经网络的技术，此项技术是许多颠覆性技术（如人工智能、认知计算、实时数据流分析等）的基础。

对数据科学家来说，深度学习技术将成为一门顶级焦点技术，下面我将对2017年深度学习的发展趋势做一些预测：

第一个深度学习的消费级爆款应用上市

在新的一年里，将会出现一款面向大众消费级的深度学习应用，这款应用将会取得巨大的成功。消费者将会亲身体验到深度学习给他们的生活带来的便利。这款应用可能出现在以下几个方面。一、图像方面，现在很多图片都来自于智能手机拍摄或社交网络分享，所以我认为这个应用可能会出现在照片处理方面。深度学习将根植于app软件上，用以改善图片检索、自动标记、自动校正、图片渲染、照片级渲染、分辨率增强、风格转换、等方面。二、语音方面，在2017年，深度学习技术很可能在音乐作曲方面取得巨大成功，到时基于深度学习技术创作出来的曲子可能跟作曲家创作出来的曲子没什么区别。三、可穿戴设备方面，可以帮助患有眼疾、耳疾的人，提高他们的视力、听力。此外，在2017年深度学习技术还将以一种恰当的方式渗入到玩具、游戏等消费市场中，尤其是那些内置摄像头、麦克风、物联网的设备都将会嵌入深度学习技术。在某种程度上说，基于深度学习的自动驾驶汽车也可能会面市，但并不会进入主流市场，因为其目前还面临着一些技术、法律问题。

主导深度学习开源工具库席卷整个开源社区。

在2016年，很多机构开源了其深度学习工具。如谷歌开源了DeepMind与TensorFlow 源码，苹果开源了它的AIReseach，非盈利组织OpenAI开始构建其深度学习基准评测技术。开发者已经可以使用Scala、Python、Java等语言在开园工具Spark 上开发深度学习应用了。深度学习框架除了DeepMind和TensorFlow，还有Keras、Caffe、 Theano,、Torch,、OpenBLAS 、Mxnet和DeepLearning4J等。

在接下来的2017年，深度学习开源工具将还会增加，但是我可以很确定的告诉大家，上面所说的众多开源工具中至少有一个将会占据主导地位，称为众多开发者喜爱。在接下来的这十年间，但凡是数据处理平台，都必须集成至少一种深度学习开发工具和库，能与Spark, Zeppelin, R 和 Hadoop 紧密整合。因此，我预计 Apache Spark将会在未来的12到24个月内有所改变，增加对深度学习相关开发的支持。

价格低廉的新一代深度学习芯片面市

由于深度学习技术依赖于多层神经网络、高维数据对象。所以深度学习需要在一个高度并行的架构中进行快速运算，这样才能对物体、面部、语音等复杂对象进行识别。而我们要处理的高维深度学习模型越来越多，这就意味着我们需要处理速度更快、价格更低、扩展性能更好、更灵活的硬件。此外，由于新数据的加入、不同数据之间的合并、更加复杂的学习算法等因素都会导致要处理的数据维度增加，因此我们的硬件应该能够处理这种数据维度不断增加的数据集，同时还能够对这些高维数据进行持续处理

深度学习的广泛使用离不开那些可以实现算法加速的低成本硬件，在2017年，我们将看到新一代神经网络芯片、GPU还有其它高性能深度学习优化架构的大规模上市，越来越多的基于纳米技术的组件也将为这些嵌入到手机、物联网中的深度学习应用提供坚实基础。

深度学习算法将变得更加复杂、更加多样。

对于大多数数据专家，深度学习还是一门相对神秘、专业、令人生畏的技术。在即将到来的2017年，随着深度学习应用的不断增加，我们的数据专家与研发人员将不得不对以下边缘技术进行了解，这些技术包括：递归神经网络、卷积神经网络、深度置信网络、受限玻尔兹曼机、多层自编码器等技术。除此以外，正如我们在博客中所讲，深度学习专家也需要关注一些新的复杂算法，这些算法包括遗传算法、粒子群优化算法、计算经济学算法等

同时我们数据科学家还需要在一些创新算法上有所建树，例如特征自动抽取、迁移学习、数据降维、深度学习中分布式加速训练等技术。研发人员在开发深度学习项目的时候会面临各种各样的困难，这就要求他们能够将‘传统AI学派’的工具与技术融合进来，最终解决问题。同时深度学习中也面临着复杂的设计与优化问题，为了给这一问题提供一个指导方案，我们的数据科学家也需要尝试着构建一个标准的深度学习开发框架