无论是自建还是购买产品,都需要做场景测试以确定哪个框架或产品更适合自己。另外还有一些难点:
1、学习的门槛较高
深度学习的本质是获取函数模型,核心是算法模型,现有的算法非常多,神经网络、决策树等等,要做好深度学习,必须理解其实现原理,才能进一步对其进行参数调优,甚至是算法调优。
2、如何将框架与大数据平台打通
深度学习的训练精度取决于样本量及质量,通道打通后,深度学习可获取大量的样本进行训练,同时其计算过程可以运行在大数据平台上,充分利用大数据平台的并行计算能力。
3、如何针对业务实际场景设计合适的深度学习模型
光理解深度学习的算法是不够的,如何能将业务场景转化为算法模型才是最有价值的,很多人使用同样的算法实现业务场景的落地,但是效果却是不尽相同,其中一个原因可能就是对业务模型的理解不同。
4、如何调优
这需要业务与算法结合,才能做出合适的调优策略。