深度学习需要多少例子才能运作

转载自腾讯科技

【嵌牛导读】大数据与神经网络，深度学习是当下前沿科技的热门话题，但是要让一个实用的深度学习系统正常工作，并取得让人满意的结果又是非常困难的。

【嵌牛提问】究竟需要多少例子才能让一个深度学习网络得到足够为大家提供可靠服务的训练？

【嵌牛鼻子】深度学习

【嵌牛正文】目前正在帮助推动人工智能浪潮的深度学习技术有一个缺点，那就是它需要大量的数据才能运作，那么问题来了：到底多少数据才足够呢？ 谷歌高级研究员杰夫-迪安（Jeff Dean）在加州伯克利的VB峰会上接受访问时说：“我想说的是，任何有数万或数十万客户互动的企业都有足够的数据规模，可以开始考虑使用深度学习技术。如果你只有10个例子，那就很难进行深度学习。如果你有10万个例子，你就应该真正开始考虑大规模使用深度学习技术。” 迪安是谷歌大脑（Google Brain）团队负责人，对深度学习有着比较深的了解。谷歌大脑是一个专注于计算机科学和人工智能领域的研究小组。自上个世纪九十年代以来，迪安一直在研究神经网络，当时他大学本科毕业时写了一篇关于人工神经网络的论文。 在他看来，机器学习技术有可能会影响到各个行业。当然，这种情况发生的速度取决于各个行业的不同情况。 尽管如此，在能够将所拥有的数据转化为机器智能之前，人类仍有许多障碍需要解决。人们必须对数据进行处理，然后才会对机器学习有用，但这需要时间和（至少在一开始的时候）重要的人工干预。 迪安说：“在机器学习系统中，有很多工作实际上不是机器学习。所以你仍然需要做很多这样的工作。你必须把数据收集起来，也许你必须人工贴标签，然后编写一些数据处理管道来生成数据集，然后你就可以做机器学习方面的工作了。” 为了帮助让创建机器学习系统的过程变得更容易，谷歌希望解决的一个领域是使用机器学习来确定解决特定问题的正确系统。这是一个很难解决的问题，但迪安说早期的工作进展很顺利。 例如，今年早些时候，谷歌建立了一个能够自己学习的网络，它能够识别ImageNet数据集上的图片并发布最新的识别结果。此外，谷歌旗下的DeepMind团队刚刚发表了一篇关于AlphaGo的论文，AlphaGo可以通过自己跟自己对弈来提高棋力。