鏈接：https://www.zhihu.com/question/321031804

編輯：深度學(xué)習(xí)與計(jì)算機(jī)視覺

聲明：僅做學(xué)術(shù)分享，侵刪

作者：Serendipity
https://www.zhihu.com/question/321031804/answer/1331269931

做出這個(gè)推論是完全可以理解的

如果你正在自學(xué)深度學(xué)習(xí)，那么很有可能像我一樣去學(xué)習(xí)一些在線課程，當(dāng)然可能也實(shí)操過一些小項(xiàng)目，學(xué)習(xí)這些課程或者跟隨教程去做實(shí)操可能會(huì)讓深度學(xué)習(xí)看起來很容易，個(gè)人覺得基于以下原因：

1.首先，這些課程中有很多都利用TensorFlow或Keras之類的框架來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)和諸如梯度下降之類的優(yōu)化算法。我想，如果嘗試僅通過NumPy或SciPy實(shí)現(xiàn)這些，我們還是覺得容易嗎？再杠一點(diǎn)，如果不用庫呢？

2.許多課程著重于對(duì)數(shù)學(xué)的“直觀”理解，而不是實(shí)際的核心知識(shí)。我曾經(jīng)也在朋友推薦下看過吳恩達(dá)（Andrew Ng）著名的ML課程，該課程在許多情況下都顯示了多個(gè)方程式的含義，而不是描述它們的推導(dǎo)方式，如果想要明白完整推導(dǎo)過程是需要自己親自思考的，但很多人卻不去做，這更使得DL看起來“容易”。（PS：此處絕無抹黑吳恩達(dá)老師的意思）

3.最后，很多人通常無法理解良好的數(shù)據(jù)集在深度學(xué)習(xí)和機(jī)器學(xué)習(xí)中的重要性。這意味著我們將需要花費(fèi)大量的時(shí)間來獲取，清理和表示或編碼數(shù)據(jù)。特征方面既要積累專業(yè)知識(shí)又要花費(fèi)大量時(shí)間去嘗試選擇，還是很不容易的。如果一直在使用來自在線存儲(chǔ)庫的準(zhǔn)備好的數(shù)據(jù)集來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)，那么就可以理解為什么所有這些對(duì)DL學(xué)習(xí)者來說似乎都很“容易”的。培訓(xùn)建立適當(dāng)?shù)臄?shù)據(jù)集的工作量很多時(shí)候起碼要占一份完整工作的50%。而提出并理解這些結(jié)構(gòu)背后的內(nèi)容則更加困難。我們需要對(duì)概率論，信息論，微積分等有充分的了解，才能掌握其主要思想，而這些工作很多人一開始根本卻就沒有接觸過orz

到目前為止，深度學(xué)習(xí)在性能方面的進(jìn)步的確令人印象深刻。

我們作為該領(lǐng)域的新手，很多時(shí)候無法看到深度學(xué)習(xí)的全貌，然而卻因?yàn)槲覀儍e幸能夠在最先進(jìn)的領(lǐng)域中與最著名的研究人員做類似的工作而沾沾自喜，這就是我們的錯(cuò)誤之所在了。

就個(gè)人而言，我覺得嚴(yán)格的數(shù)學(xué)證明和統(tǒng)計(jì)學(xué)是必須的，并且我還想回到那些原始舊論文中找出其背后的原始想法與目的，而非僅僅是做一個(gè)快樂的調(diào)參黨。

作者：殺掉那只貓
https://www.zhihu.com/question/321031804/answer/813712320

嘲諷不解決問題。深度學(xué)習(xí)門檻真的很低，嚴(yán)謹(jǐn)一點(diǎn)，門檻低是對(duì)比十年前機(jī)器學(xué)習(xí)領(lǐng)域。現(xiàn)實(shí)就是機(jī)器學(xué)習(xí)領(lǐng)域的問題，現(xiàn)在隨便用個(gè)開源包，數(shù)據(jù)包，基本上能超過 10 年前世界領(lǐng)先實(shí)驗(yàn)室的水平，而實(shí)際應(yīng)用對(duì)機(jī)器學(xué)習(xí)的要求卻沒有提高那么多。這是科技發(fā)展的客觀事實(shí)，就好比沒計(jì)算器的時(shí)候在紙上開立方那得數(shù)學(xué)大牛，但計(jì)算器出現(xiàn)了，這門檻變低不是很正常嗎？現(xiàn)在不但工具先進(jìn)了，而且知識(shí)教授的途徑和方式也先進(jìn)了，那么多深度學(xué)習(xí)入門到精通，總有一個(gè)適合你學(xué)習(xí)。

當(dāng)然，繼續(xù)研究發(fā)展深度學(xué)習(xí)技術(shù)還是很不容易，但這是深造，跟門檻低沒關(guān)系啊。人類開發(fā)技術(shù)不就是為了降低門檻，讓專業(yè)人士變成大白菜，然后瘋狂競(jìng)爭(zhēng)，導(dǎo)致新的技術(shù)產(chǎn)生。

作者：深度學(xué)習(xí)運(yùn)營(yíng)
https://www.zhihu.com/question/321031804/answer/2100813695

作為一個(gè)在這個(gè)行業(yè)工作了兩年的人，我覺得入門的門檻確實(shí)在降低，現(xiàn)在各種框架都非常好用了，也集成了眾多的功能，導(dǎo)致了入門的門檻非常低，但同時(shí)也導(dǎo)致了泥沙俱下。深度學(xué)習(xí)的應(yīng)用在落地的時(shí)候會(huì)有非常多的問題，例如現(xiàn)場(chǎng)環(huán)境、項(xiàng)目工期等等一些列問題，所以在深度學(xué)習(xí)的應(yīng)用開發(fā)中應(yīng)該做到快速部署，并且能夠有一個(gè)較好的模型表現(xiàn)。例如我們公司最近正在使用的百度BML平臺(tái)，就能夠做到模型的快速迭代，并且訓(xùn)練好的模型能夠非常快速的部署，包括云部署、本地私有化部署。能夠提供SDK包，并且能夠做到自動(dòng)數(shù)據(jù)回流，使模型快速的迭代起來。

回到問題，深度學(xué)習(xí)的門檻確實(shí)是在降低，不斷有容易上手的框架出現(xiàn)，并且現(xiàn)在也出現(xiàn)了例如百度BML這樣的一站式AI開發(fā)平臺(tái)，能夠非常有效的讓大家快速上手，但從長(zhǎng)遠(yuǎn)角度來說，還是需要努力修煉自己的內(nèi)功，無論門檻高低與否。

作者：匿名用戶
https://www.zhihu.com/question/321031804/answer/1331319890

深度學(xué)習(xí)入門很簡(jiǎn)單，學(xué)習(xí)門檻很低，但本身的門檻并不低。

我本科的時(shí)候，最開始的研究方向是基于啟發(fā)式算法的運(yùn)籌優(yōu)化。做了大概有一年，讀了很多該領(lǐng)域的頂刊文章，在組會(huì)里分享等等，對(duì)于啟發(fā)式算法解運(yùn)籌優(yōu)化問題有了一個(gè)初步的理解，讀論文也越來越熟悉套路，但……你讓我用C++實(shí)現(xiàn)一個(gè)算法，不能說不會(huì)，但可能要吭哧很久很久。

畢業(yè)設(shè)計(jì)因?yàn)檠芯可鲠t(yī)學(xué)圖像方向，選了基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割。在此前只跟著視頻用tensorflow寫過房?jī)r(jià)預(yù)測(cè)的基礎(chǔ)上，在數(shù)據(jù)集準(zhǔn)備完成的情況下，我僅僅用了一個(gè)星期就完成了從文獻(xiàn)閱讀、環(huán)境搭建、pytorch框架學(xué)習(xí)、算法實(shí)現(xiàn)、代碼調(diào)試到完成訓(xùn)練的一整套流程，完成了初代算法的實(shí)現(xiàn)。

深度學(xué)習(xí)學(xué)習(xí)門檻之所以低，是因?yàn)榭蚣艿拇嬖?。?shí)現(xiàn)算法的時(shí)候，網(wǎng)絡(luò)模型不會(huì)改了，百度一下“pytorch自定義網(wǎng)絡(luò)”；損失函數(shù)不會(huì)改了，百度一下“pytorch自定義損失函數(shù)”……等等，甚至不用google，墻內(nèi)關(guān)于現(xiàn)有框架的資源足夠解決大部分問題了。

但是你說這叫學(xué)習(xí)深度學(xué)習(xí)嗎？叫，也不叫。之所以叫，是因?yàn)槟愦_實(shí)在學(xué)深度學(xué)習(xí)；之所以不叫，是因?yàn)檫@其實(shí)只是實(shí)現(xiàn)了一次深度學(xué)習(xí)。

早就不是改改網(wǎng)絡(luò)參數(shù)、損失函數(shù)，隨便調(diào)調(diào)超參數(shù)就能玩轉(zhuǎn)深度學(xué)習(xí)的時(shí)代了。想真正學(xué)會(huì)深度學(xué)習(xí)，只靠框架這么搞是遠(yuǎn)遠(yuǎn)不夠的。

作者：AIRobotics
https://www.zhihu.com/question/321031804/answer/2017954999

這就好比你認(rèn)得了汽車，坐過車之后說：“車不就是四個(gè)輪子兩張沙發(fā)嘛?！?真正深入研究后，至少我絲毫不覺得這個(gè)領(lǐng)域的門檻低。

上面有的回答說了，大廠提出了很多不錯(cuò)的模型/數(shù)據(jù)庫/封裝好的代碼。你可以輕易上github上clone一個(gè)項(xiàng)目的代碼就拿來用，同時(shí)由于AI這個(gè)名詞太多次出現(xiàn)在公眾視野，知識(shí)需求急劇上升，所以產(chǎn)生了很多淺層的基礎(chǔ)的學(xué)習(xí)資料。

DL作為一種工具，應(yīng)當(dāng)越易于使用越好，這是很多從業(yè)者推動(dòng)的，也是很多人覺得DL好學(xué)、簡(jiǎn)單的原因。但從research出發(fā)，弄清楚每一個(gè)實(shí)現(xiàn)細(xì)節(jié)，嚴(yán)格的推理和數(shù)學(xué)證明，或者是針對(duì)特定場(chǎng)景的一些經(jīng)驗(yàn)主義、煉丹技巧（tricks）是更重要的事。這些都是需要大量項(xiàng)目經(jīng)驗(yàn)和時(shí)間積累的。并且隨著人數(shù)增多，好的idea越來越難產(chǎn)出，愈發(fā)考驗(yàn)創(chuàng)造知識(shí)的能力。

大概按照我的認(rèn)知和給自己設(shè)的標(biāo)準(zhǔn)，跑跑MNIST/ImageNet，學(xué)會(huì)ctrl c代碼算是會(huì)了helloworld；然后搭環(huán)境自己debug跑通，做些小修小補(bǔ)能算是入門了；能完全讀懂?dāng)?shù)十篇前沿的頂刊頂會(huì)，然后提出一些新想法（不一定work）然后自己實(shí)現(xiàn)它，算是很了解了；等到自己能在頂會(huì)發(fā)個(gè)oral啥的，也勉強(qiáng)算是精通了；能獲得業(yè)內(nèi)的廣泛認(rèn)可，或是有三巨頭/kaiming那種劃時(shí)代成果的話，才算得上大家吧（我還是太菜了）

☆ END ☆

如果看到這里，說明你喜歡這篇文章，請(qǐng)轉(zhuǎn)發(fā)、點(diǎn)贊。微信搜索「uncle_pn」，歡迎添加小編微信「 woshicver」，每日朋友圈更新一篇高質(zhì)量博文。

↓掃描二維碼添加小編↓

總結(jié)

以上是生活随笔為你收集整理的如何看待深度学习门槛低的说法？的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。