Answers:
的确,一些用于提高性能的细节被认为是窍门,您将永远不会知道这些窍门是否会对您的数据和网络产生相同的改善。
您肯定需要做一些事情:
这是一本有趣的书,《神经网络:交易技巧》,该书的2012年更新版。神经网络的一些开拓者发表了许多文章。
ypx通过培训很好地涉及了许多实际问题,因此要谈谈您提出的其他问题:许多精英工业实验室仍在发布其结果。比如微软研究院的团队刚刚获得2015年ImageNet,他们发布了描述他们的新的深网模块的技术报告:深入学习残留图像识别,谷歌的团队公布了他们的盗梦空间结构为好,要和卷积更深。到目前为止,机器学习中仍然存在共享重大创新的文化。可能是因为关键是访问数据。Google和Facebook只能访问我们没有的数据。很难说原始算法创新有多少功劳,海量数据有多少功劳。
关于将来会发生什么?很难说。鉴于这些数据驱动型公司变得多么有价值,以及市场竞争力如何,很多人提出了这个问题。但就目前而言,我认为工业研究实验室共享和不共享的内容之间已经有了足够的平衡。我了解他们没有共享确切的代码实现。但是他们确实分享了一些非常新颖的创新。
寻找发表重要成果并阅读,阅读,阅读的研究人员。我相信在Yand LeCun在Reddit上发表的AMA中,他提到他是一位贪婪的读者。我相信这是最重要的。在可行的范围内,尝试重新创建其基准,或将其方法应用于预算范围内的数据集。
我认为无论您身在何处或生活中处于何种地位,这都是保持敏锐并继续发展技能的最佳方法。做一个贪婪的读者,执行事情并建立直觉。我个人没有资源参加ImageNet竞赛,但是阅读ImageNet组中表现最好的所有文章对我有很大帮助。