深度学习技术的未来发展趋势

人们把学习集中的每个输入加到神经网络中，并做出神经网络输出的分类，待全部学习集运行完成，神经网络就能总结出自己的想法，目前，在感知、语言翻译等方面，最先进的神经网络框架正在发展，不再局限于前庭式框架或卷积式框架，并正在混合匹配如自定义目标函数，多皮层柱和卷积等神经网络技术。

3.“注意力模型”在升温，人们都每天都会对感知到的外界信息进行选择，以选择出最重要的信息。同人的这种机能一样，计算机视觉计算系统面对大量需要处理的信息，如何忽略无用或次要的信息，让视觉感知变得高效可靠，从而满足某些应用中的实时性要求，就成为一项必须解决的技术。

4.计算机视觉和自然语言处理，会变得几乎不可分离，计算机视觉和自然语言处理都是人工智的分支，这两个领域的深度学习正在融合。卷积神经网络最初应用在电脑视觉中现在开始应用于一些自然语言处理。LSTM第一次做出成果是在自然语言处理中，现在被纳入计算机视觉神经网络任务中。另外，电脑视觉和自然语言处理的交叉部分有一些嵌入技术，也成为热门应用。

5.符号微分法越来越重要，在神经网络框架和目标函数变为可以自定的同时，它们本身也变得越来越复杂，人为手动提取的难度越来越大，也容易出错。而采用符号微分法，在构建框架和目标函数的训练中，能够在众多碎片中找出正确的微分，从而保证误差梯度可以反向传播。

6.深度学习和强化学习的交叉在继续，在深度学习和强化学习领域，出现了一些让人振奋的事情。如端对端机器人就是通过使用深度学习和强化学习，让原始传感器数据直接过渡到实际动作执行器上。这种交叉，已经让过去仅仅是分类发展到对在方程中加入计划和行动的理解。

7.神经网络和产品应用携手同行，神经网络的方法在不断创新，而且这些方法也在快速扩展到实际应用产品中。目前，尽管只有谷歌这样的公司能做到这一点，但就行业来说，就是一种发展趋势——任何技术的进步，最终都会应用和服务于实践和生活。