99真人:一个全面的元学习系统可能需要大量的数据来支持

一种策略是使用专为深度学习设计的处理器。在过去的10年里，cpu已经被gpu、现场可编程门阵列和特定程序的集成电路所取代。这些方法以牺牲通用性为代价提高了专门化的效率，并面临收益递减的问题。从长远来看，我们可能需要全新的硬件框架。另一种减少计算负担的策略是使用更小的神经网络。这种策略降低了每次使用的成本，但通常会增加培训成本。如何权衡这两者取决于具体情况。例如，被广泛使用的模型应该优先考虑巨大的使用成本，而需要持续培训的模型应该优先考虑培训成本。元学习有望降低深度学习培训成本99真人。其思想是，一个系统的学习成果可以应用到多个领域。例如，与其建立单独的系统来识别狗、猫和汽车，不如训练一个识别系统并多次使用它。然而，研究发现，一旦原始数据与实际应用场景稍有不同，元学习系统的性能就会严重下降。因此，一个全面的元学习系统可能需要大量的数据来支持。

一些未被发现或被低估的机器学习类型也可能减少计算。例如，基于专家见解的机器学习系统效率更高，但如果专家不能辨别出所有的影响因素，这种系统就无法与深度学习系统竞争。像神经符号这样仍处于开发阶段的技术，有望更好地将人类专家的知识与神经网络的推理能力结合起来。正如Rosenblatt在早期的神经网络中感受到的困境一样，今天的深度学习研究人员也开始面临计算工具的限制。在经济和环境压力下，如果我们不能改变深度学习的完成方式，我们就必须面对这个领域缓慢发展的未来。我们期待一种算法或硬件的突破，将允许灵活和强大的深度学习模型继续进化，并成为我们可用的。