这是一个非常有趣的话题。所以从我这边竖起大拇指。现在说到重点。深度学习现在可能很热门，但它的一些变体或一些新的东西可能会在以后出现。让我指出我觉得深度学习可能会变老或将会变老的原因。

• 慢学

就像慢学习者一样，它会慢慢收敛到最优解，但是通过 GPU 加速可以显着提高训练速度。慢度受学习率的影响。

调整学习率会影响生成的深度神经网络的可靠性。

• 庞大的训练数据需求

深度学习需要非常庞大的训练数据才能获得良好的性能。要调整的大量参数的存在需要一些巨大的示例集。尽管深度学习需要如此庞大的训练集，但深度学习需要如此大量的训练示例，这一事实在某种程度上使其变得乏味，但深度神经网络的错误率确实约为 10%。

• 过拟合

深度学习往往容易过拟合，但使用新的 dropout 算法，可以避免这个问题，但会带来一些后果，例如错误率的增加。

• 初始状态不佳

深度神经网络具有需要初始化的参数。最常用的方法是随机初始化，这会导致神经网络的初始状态非常差。将其与哺乳动物的大脑相比，大脑与生俱来就具有一些刚性的本能，例如基本的生存行为模式。

• 感官数据转换

例如，在视觉对象识别任务中，图像会经历各种几何和光度变换，需要通过识别系统对其进行建模以纠正新的图像观察结果。今天使用的深度学习没有考虑到这种转换，这是深度神经网络仍然遭受相对较高错误率（相对于人类）的原因之一。

其他一些原因可能是转换缓慢，算法可能会在未来一起出现，结构和方法。这些是我身边的一些要点。你也可以浏览这些帖子，它们也很重要-

• KDnuggets
• 赫芬顿邮报

干杯! :)