深度学习目前主要有哪些研究方向 深度学习有哪些优点和缺点

深度学习目前主要有哪些研究方向

根据2012-2017年被引用最多的深度学习论文,深度学习目前的研究方向如下:
1、基础性的理解和概括
2、优化训练
3、卷积神经网络模型研究
4、图像：分割/目标检测
5、视频
6、自然语言处理
7、强化学习/机器人
8、语音/其他领域

深度学习有哪些优点和缺点

深度学习的主要优点如下：
1：学习能力强
深度学习具备很强的学习能力。
2：覆盖范围广，适应性好
深度学习的神经网络层数很多，宽度很广，理论上可以映射到任意函数，所以能解决很复杂的问题。
3：数据驱动，上限高
深度学习高度依赖数据，数据量越大，它的表现就越好。在图像识别、面部识别、NLP 等领域表现尤为突出。
4：出色的可移植性
由于深度学习的优异表现，很多框架都可以使用，而且这些框架可以兼容很多平台。
深度学习的缺点：
只能提供有限数据量的应用场景下，深度学习算法不能够对数据的规律进行无偏差的估计。为了达到很好的精度，需要大数据支撑。由于深度学习中图模型的复杂化导致算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧和更多更好的硬件支持。因此，只有一些经济实力比较强大的科研机构或企业，才能够用深度学习来做一些前沿而实用的应用。

如何获取深度学习最新的研究状况知乎

深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别

深度学习维度可以从课堂哪些方面观察和判断

深度学习是一种以促进学生批判性思维和创新精神发展为目的的学习，它不仅强调学习者积极主动的学习状态、知识整合和意义联接的学习内容、举一反三的学习方法，还强调学生高阶思维和复杂问题解决能力的提升。深度学习不仅关注学习结果，也重视学习状态和学习过程。鉴于以上认识，本研究认为，深度学习是一种基于理解的学习，是指学习者以高阶思维的发展和实际问题的解决为目标，以整合的知识为内容，积极主动地、批判性地学习新的知识和思想，并将它们融入原有的认知结构中，且能将已有的知识迁移到新的情境中的一种学习。

深度学习中的端到端是什么概念

端到端指的是输入是原始数据，百输出是最后的结果，非端到端的输入端不是直接的原始数据，而是在原始数据中提取的特征，这一点在图像问题上尤为突出，因为图像像素数度太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取图像的一些关键特征，这实际就是就一个降维的过程。
那么问题来了，特征怎么提？
特征提取的好坏异常关键，甚至问比学习算法还重要，举个例子，对一系列人的数据分类，分类结果是性别，如果你提取的特征是头发的颜色，无论分类算法如何，答分类效果都不会好，如果你提取的特征是头发的长短，这个特征就会好很多，但是还是会有错误，如果你提取了一个超强特征，比如染色体的数据，那你的分类基本就不会错内了。
这就意味着，特征需要足够的经验去设计，这在数据量越来越大的情况下也越来越困难。
于是就出现了容端到端网络，特征可以自己去学习，所以特征提取这一步也就融入到算法当中，不需要人来干预了。