La pregunta realmente se dirigió a muchos aspectos del aprendizaje profundo, por ejemplo, la implementación, los enfoques de aprendizaje, la estructura de redes neuronales más profundas, etc. Aquí tomamos todos estos aspectos uno por uno.
La implementación :
Las futuras implementaciones de redes neuronales deberían aprender mientras recopilan el conjunto de datos. Hay demasiadas cosas para aprender. El entrenamiento de redes neuronales en grandes conjuntos de datos, como ImageNet, requiere una gran SSD junto con una GPU de alto rendimiento y suficiente memoria física (Ver [1]). A medida que los algoritmos modernos se vuelven cada vez más maduros, las nuevas muestras de datos se pueden traducir a un espacio de baja dimensión para que sea menos necesario almacenar un gran conjunto de datos. Esto incluso puede cambiar la forma en que las imágenes naturales se comprimen en el futuro.
- ¿Cuáles son las ventajas y desventajas de la computadora?
- Cómo crackear UGC NET (informática)
- ¿Qué algoritmos de aprendizaje automático son los más peligrosos en términos de perder el control sobre el razonamiento automático y las estrategias de descubrimiento?
- ¿Quién está mejor equipado para comprender la conciencia?
- ¿Por qué el disco mismo y no la computadora intentan decodificar discos corruptos y corregir errores?
Los enfoques de aprendizaje:
La función de aprendizaje no supervisado parece ser una tendencia futura. Dado que tanto la red neuronal como los conjuntos de datos crecerían más y más, etiquetar todo lo que observamos sería irracional y poco realista. Los enfoques de aprendizaje de características no supervisados, como los Autoencoders, sacarían automáticamente conclusiones de observaciones similares. Luego, etiquetar manualmente estas conclusiones puede ser práctico, y esta es la forma en que se satisface la curiosidad de las computadoras.
El aprendizaje de refuerzo profundo es otra dirección futura . Debido al éxito del control a nivel humano de jugar juegos de atari [2], el aprendizaje basado en RL se está volviendo cada vez más popular. Y el modelo funciona más como un cerebro humano, interactúa con el entorno ruidoso y toma decisiones precisas sobre el valor de recompensa escalar dado.
La estructura de redes neuronales más profundas:
Las redes neuronales futuras no son solo “profundas”, como más profundas que VGGNet, sino que, en cambio, pueden procesar información de forma progresiva. Un ejemplo interesante son los modelos de atención visual recurrente [3]. Con un diseño adecuado de la red, tanto la eficiencia del aprendizaje como la inferencia se mejoran significativamente, mientras que la precisión de la inferencia se mejora en comparación con las redes de retroalimentación convencionales. Esto es razonable porque se requieren menos parámetros para aprender, y los trucos de regularización, como el abandono, se vuelven menos necesarios.
En resumen, al menos para mi observación, todas las direcciones futuras del aprendizaje automático no pueden escapar a las inspiraciones de la ingeniería inversa del cerebro humano, que cuesta muy poca energía, genera muy poco calor y contaminación, mientras funciona perfectamente como un encanto.
Notas al pie
[1] ConvNet: redes convolucionales profundas
[2] http://www.nature.com/nature/jou…
[3] [1412.7755] Reconocimiento de objetos múltiples con atención visual