出處：https://blog.keras.io/the-limitations-of-deep-learning.html
1.從幾何角度看DL
meaning(text/image..) -> vectors -> geometric spaces->learning geometric transformations?
局限：geometric transformations 關(guān)鍵在于可微（通過(guò)梯度下降學(xué)習(xí)參數(shù)）攘宙，從inputs到outputs ?必須是光滑且連續(xù)的。
2.
DL本質(zhì)：a chain of simple, continuous geometric transformations?mapping one vector space into another
但凡需要推理的螟左，如果編程黎休、應(yīng)用科學(xué)方法、長(zhǎng)期計(jì)劃等，甚至是學(xué)習(xí)一個(gè)升序排序翼虫，都很難。
現(xiàn)有的DL技術(shù)屡萤，加大數(shù)據(jù)量或是增加層只是表面地減輕這些問(wèn)題珍剑。
3.Neural Network并不真的理解人的思維，不具有人性化死陆，所以有時(shí)會(huì)出現(xiàn)很可笑的結(jié)果
4.Local generalization versus extreme generalization
機(jī)器：Local generalization
人：extreme generalization（抽象思維）
例子：學(xué)習(xí)降落月球參數(shù)（NN依賴大量數(shù)據(jù)招拙，人可以用抽象物理公式和模型）
學(xué)習(xí)駕駛（NN依賴大量數(shù)據(jù)，換一座城市需要重新學(xué)習(xí)）
總結(jié)：現(xiàn)有的成功來(lái)源于continuous geometric transform以及大量人工標(biāo)注數(shù)據(jù)措译。
