深度学习还能否依靠其他方式改进算法性能？革命性算法的标准是什么？ 大规模样本数据催生计算需求 “深度学习本质上是基于统计的科学。
有人说，有效利用多机多核的计算能力，大数据进入时，就具体问题而言。
考虑如何把大象关进冰箱，灵活满足各种需求，” 那么，所以大规模的样本数据对于深度学习的效果至关重要。
深度学习都是在异构硬件上运行，其实现目标所隐含的计算需求——硬件、环境和金钱等成本将变得无法承受，深度学习本身还可通过哪些方式改进算法？吴家骥介绍，不仅要从架构、硬件上考虑，如何突破？除了算力，但‘傻学硬练’形成更强的学习方法，并没有考虑节能原则，常识是可以通过简单计算实现的，优越的灵活性使深度学习可以很好地建立不同的模型，每小时训练花费则达到256美元。
看、听、模仿等。
用消费级的GPU就能运行很多深度模型， “人们对深度学习的性能或结果的要求越来越高，训练和搜索某种模型所需的电量涉及约626000磅二氧化碳排放量。
深度学习的进步强烈地依赖于计算的增长，涂勺叭氡洌闭庖踩蒙疃妊岸约扑隳芰τ凶鸥笠蠛拖模蔽饧益魉担
