一、深度學習是最好的方法之一

　　深度學習仍是目前大資料處理與分析的最好方法之一。

　　深度學習擅於發掘多維資料中錯綜複雜的關係。基於大資料的深度學習演算法在計算機視覺、自然語言處理以及資訊檢索等多個領域不斷重新整理著記錄。

　　在這個資料為王的時代，深度學習中的監督/半監督學習與資料規模、資料質量等有很大關係，因此資料標註是在現實場景中提升模型效能的最直接有效的方法。

　　但由於傳統的資料集數量/質量有限，在解決新的問題或是想要獲得更好的效果時，往往需要進行額外的資料標註。因此，對於資料要求不那麼高的半監督/弱監督學習一直是視覺大資料處理中的熱點問題。同時，當使用某資料集訓練了一個很好的模型，但在實際應用時，往往由於“領域鴻溝”（domain gap）的存在，模型效能大幅度下降，遷移學習是這一問題的常用解決思路。

　　此外，由於移動裝置或物聯網裝置的儲存和計算資源有限，無法像伺服器一樣輕鬆地執行訓練好的模型，限制了深度學習技術在大資料領域的應用落地，針對此問題，目前有效的解決方案包括模型壓縮、計算加速。

　　生成對抗網路Generative Adversarial Networks （GANs）的提出，為神經網路添加了一個新的分支。該網路結構能極大提高影象生成的質量，進一步推動了計算機視覺領域的發展。