这一切都与投资回报有关。如果 DL 是“值得做的”，那并不是矫枉过正。

如果使用深度学习的成本（计算机周期、存储、训练时间）是可以接受的，并且可用于训练它的数据丰富，并且如果相对于替代算法的边际优势是有价值的，那么深度学习就是一个胜利。

但是，正如您所建议的，如果您的问题适用于替代方法，特别是如果它提供的信号与回归或朴素贝叶斯等经典方法很好地匹配，或者您的问题需要解释为什么决策边界在它所在的位置（例如决策树），或者如果您的数据缺少 DL（尤其是 CNN）所需的连续梯度，或者您的数据随时间变化而需要定期重新训练（尤其是在不可预测的时间间隔内），那么 DL 可能不适合您。

深度学习很强大，但它并不是比贝叶斯更好的方法。它们在它们的设计目标上运行良好：

使用深度学习：

• 计算成本比采样成本便宜得多（例如：自然语言处理）
• 如果你有高度非线性的问题
• 如果你想简化特征工程
• 如果您没有先验分布（例如：将权重设置为随机高斯）。或者你这样做，但你不介意复杂性。
• 如果你想要速度的准确性（深度学习很慢）

使用朴素贝叶斯：

• 如果您有要使用的先前发行版
• 如果您想快速轻松地更新模型（尤其是 conjour 模型）
• 如果您有自己的似然函数并希望“控制”模型的工作原理
• 如果要建模层次模型
• 如果您不想调整参数
• 如果你想要一个更快的模型，无论是在训练还是执行
• 如果你想做出独立性假设
• 如果你想防止过拟合（这是一个非常简单的模型）