BNN 与 NN 相比仍有许多缺点，如下所列：

1. 计算成本更重。在这里，我不仅仅是指训练成本，即获得所有参数的后验分布。如果您对 BNN 参数使用具有简单分布族的变分推理，这部分实际上是可以的。在部署模型并且想要进行推理之后，您需要从其后验分布中采样 N 个参数以获得输出分布，这比仅使用 NN 的计算成本高出 N 倍。
2. BNN 的工具还没有普及，也没有 NN 的工具那么自动化。
3. 您需要对您的先验做出一些假设，这对大多数用户来说相对困难。
4. 这是我认为为什么没有普遍采用 BNN 而不是 NN 的最重要的原因：我们得到的不确定性并不像我们乍一看那样有用。让我们举一个简单的例子：假设您有两种类型的客户。A 型给你40 美元或60 美元的概率相等，B 型给你30 美元或70 美元的概率相等。他们有相同的期望，但对 A 型客户有更大的不确定性。假设你的 BNN 可以很好地区分一个分布和另一个分布。但是，这里的不确定性，如果你每个人都有 100 万客户，这并不重要，因为那时重要的不是单个客户的不确定性，而是平均客户的不确定性。，当您的客户数量根据大数定律变大时，它会趋于零。因此，大多数时候你真的不需要模型中的不确定性。