咱們能夠從以下幾個方面削減運用深度學習的最大妨礙：

使深度學習更簡略運用揭穿關于深化學習的專業常識神話

增加對缺少運用云核算GPU的資金或信用卡的用戶的拜訪

使深度學習更簡略運用

讓深度學習更簡略運用的研討產生了巨大的影響，使練習更好的網絡變得更快更簡略。現在現已成為令人興奮的規范實踐，發現比如有：

半路出家的人能夠在不過度擬合的情況下對較小的數據集進行練習。

批量規范化答應更快的練習。

批改的線性單元有助于防止梯度爆破。

進步易用性的最新研討包含：

學習率的發現者使練習進程愈加安定。

超級交融加快了練習，只需要更少的核算資源。

對現有架構的“自定義頭”（例如，修正ResNet，開始是為分類而規劃的，以便它能夠用于查找鴻溝框或履行款式傳輸），從而在一系列問題中更簡略地復用架構。

以上的發現都沒有涉及到裸金屬（bare-metal）的力氣;相反，所有這些都是創造性的主意，以不同的方法來干事。

關于怎樣進行深度學習的誤區

另一個妨礙是，許多“神話”讓人們信任，深度學習并不合適他們：過錯地以為他們的數據太小，他們沒有專業的教育或布景，或許他們的電腦裝備不夠好。

有一個這樣的神話說，只要機器學習的博士才有才能運用深度學習，而許多負擔不起貴重專家費用的公司乃至都懶得去測驗。可是，公司不只有可能去練習他們現已具有的職工，能成為機器學習專家，這乃至更棒，由于你現在所具有的職工現已具有了你地點范疇的專業常識！

誤區，這些誤區讓人們過錯地信任，運用深度學習比實踐運用更困難。其實，深度學習的難度遠遠低于他們的預期：一年的編程經歷和對GPU的拜訪。

在AI自動化的浪潮下，不少創業公司充溢疑問，已然未來人工智能的發展方向是走向自動化，比如AUTOML，我究竟還需要自己的數據科學團隊嗎？

AI團隊只能是自己的。

微軟、阿里或許百度，供給的就像電力相同，是一種“智才能”，企業要把這種智才能轉化成自己職業的算法。第三方不會知道企業的流程怎樣才是最優異的，好的做法應該是由第三方為企業供給最優異的根底算法和充沛的算力，企業自己把數據收集上來，培育自己的專家，當然這個專家也能夠由第三方協助培育，但必定要了解職業經歷、職業常識，結合自己的職業常識和經歷來得出合適自己的算法。

企業在這個進程中能夠源源不斷地運用第三方供給的核算力，這種核算力的表現形式僅僅最基本的compute，就是說第三方會供給一些根底的算法，可是不可能協助企業處理人工智能的問題，這方面企業必定要靠自己。

企業要培育自己的人才，但沒有必要培育所謂算力的人才，由于算力是勞動密集型、資金密集型的；也不是要培育算法的人才，而是要培育使用算法的職業人才。

就像要擰螺絲，終究意圖僅僅要把兩個家具擰在一起，而并不是要螺絲和螺絲刀，沒有必要自己去開個螺絲刀廠，只需要買一個最好的螺絲刀過來擰上，就能夠了。