【IT168 评论】即使你是掌握了人工智能和神经网络基础知识的数据科学家，你可能还需要更多的时间来了解卷积，了解通过组合低层特征形成更加抽象的高层表示属性类别或特征的深度学习算法的复杂性。随着深度学习的不断创新，这种技术将面临一种风险，即对于普通开发人员来说，如果不进行深入研究难以掌握这种技术。

　　深度学习的潜力似乎是无限的，开发人员仍然在想如何高效利用深度学习来创造价值。到这十年结束时，深度学习行业将大大简化其提供的功能，使其对普通开发人员也是易于理解和可用的。深度学习的工具，平台和解决方案未来由繁入简的主要趋势如下：

　　1、深度学习行业将采用一套核心标准工具

　　到这个十年结束时，深度学习社区将会汇聚一套核心的工具框架。目前，深度学习领域的从业人员有很多的工具可以选择，其中大部分还是开源的。最受欢迎的包括TensorFlow，BigDL，OpenDeep，Caffe，Theano，Torch和MXNet。工具繁多，而且大部分还处于起步阶段，功能相对来说比较单一，随着深度学习的不断发展，一些工具会慢慢被淘汰，一些工具则会逐渐占据较大优势，最后深度学习领域会形成一整套核心标准工具。

　　2、深度学习将在Spark内获得原生支持

　　Spark社区将在未来12到24个月内提升平台的深度学习能力。根据最近的Spark峰会，看起来社区更倾向于支持TensorFlow，不过，至少BigDL，Caffe和Torch也被采纳了。

　　3、深度学习将在开放分析生态系统中找到一个稳定的利基

　　大多数深度学习部署已经依赖于Spark，Hadoop，Kafka和其他开源数据分析平台。越来越清楚的是，如果没有这些其他平台提供的全套大数据分析能力，用户就无法充分地训练，管理和部署深度学习算法。特别是，Spark正在成为一个在各种工具中用于扩展和加速建立深度学习算法的重要平台。最近，许多深度学习开发人员正在使用Spark集群来完成诸如超参数优化，快速内存数据训练，数据清理和预处理等特殊管道任务。

　　4、深度学习工具将结合用于快速编码的简化编程框架

　　应用程序开发人员将坚持使用API，并不断努力用更少的代码行快速编码核心算法功能。展望未来，深度学习开发人员将采用集成，开放，基于云的开发环境，提供对各种现成的和可插拔算法库的访问。这些将支持API驱动开发深度学习应用程序作为可组合的容器化微服务。这些工具将自动深入到深度学习开发所需的功能中，并提供一个notebook导向的协作和共享范式。随着这种趋势的加剧，我们将看到更多关于此的头条新闻，比如在50代码(PyTorch)之内生成对抗网络。

　　5、深度学习工具包将支持可重用组件的可视化开发

　　深度学习工具包将包含模块化功能，便于从现有构建块进行视觉设计，配置和培训新模型。许多这样的可重用组件将从处理类似用例的先前项目中获得经验。可重复使用的深度学习工具将结合到标准库和接口中，包括特征表示，神经节点分层，权重，训练方法，学习速率和先前模型的其他相关特征。

　　6、深度学习工具将嵌入每个设计里面

　　开始设想“民主化深度学习”还为时尚早。在未来5到10年内，深度学习开发工具，库和语言将成为每个软件开发工具包的标准组件。同样重要的是，用户友好的深度学习将被嵌入由艺术家，设计师，建筑师和所有富有创造力的设计工具中。这些深度学习工具将用于图像搜索，自动标记，逼真的渲染，增强分辨率，风格转换，奇特的图形和音乐作曲等各个方面。

　　随着深度学习市场向大规模应用前进，它将跟随数据可视化，商业智能和预测分析市场的脚步。他们都将自己的解决方案转移到自助服务的基于云的交付模式，为那些不想被潜在的技术复杂性分散的用户快速提供价值。这就是技术发展的方式。