咱们能够从以下几个方面削减运用深度学习的最大妨碍：
使深度学习更简略运用揭穿关于深化学习的专业常识神话
增加对缺少运用云核算GPU的资金或信用卡的用户的拜访
使深度学习更简略运用
让深度学习更简略运用的研讨产生了巨大的影响，使练习更好的网络变得更快更简略。现在现已成为令人兴奋的规范实践，发现比如有：
半路出家的人能够在不过度拟合的情况下对较小的数据集进行练习。
批量规范化答应更快的练习。
批改的线性单元有助于防止梯度爆破。
进步易用性的最新研讨包含：
学习率的发现者使练习进程愈加安定。
超级交融加快了练习，只需要更少的核算资源。
对现有架构的“自定义头”（例如，修正ResNet，开始是为分类而规划的，以便它能够用于查找鸿沟框或履行款式传输），从而在一系列问题中更简略地复用架构。
以上的发现都没有涉及到裸金属（bare-metal）的力气;相反，所有这些都是创造性的主意，以不同的方法来干事。
关于怎样进行深度学习的误区
另一个妨碍是，许多“神话”让人们信任，深度学习并不合适他们：过错地以为他们的数据太小，他们没有专业的教育或布景，或许他们的电脑装备不够好。
有一个这样的神话说，只要机器学习的博士才有才能运用深度学习，而许多负担不起贵重专家费用的公司乃至都懒得去测验。可是，公司不只有可能去练习他们现已具有的职工，能成为机器学习专家，这乃至更棒，由于你现在所具有的职工现已具有了你地点范畴的专业常识！
误区，这些误区让人们过错地信任，运用深度学习比实践运用更困难。其实，深度学习的难度远远低于他们的预期：一年的编程经历和对GPU的拜访。
在AI自动化的浪潮下，不少创业公司充溢疑问，已然未来人工智能的发展方向是走向自动化，比如AUTOML，我究竟还需要自己的数据科学团队吗？
AI团队只能是自己的。
微软、阿里或许百度，供给的就像电力相同，是一种“智才能”，企业要把这种智才能转化成自己职业的算法。第三方不会知道企业的流程怎样才是最优异的，好的做法应该是由第三方为企业供给最优异的根底算法和充沛的算力，企业自己把数据收集上来，培育自己的专家，当然这个专家也能够由第三方协助培育，但必定要了解职业经历、职业常识，结合自己的职业常识和经历来得出合适自己的算法。
企业在这个进程中能够源源不断地运用第三方供给的核算力，这种核算力的表现形式仅仅最基本的compute，就是说第三方会供给一些根底的算法，可是不可能协助企业处理人工智能的问题，这方面企业必定要靠自己。
企业要培育自己的人才，但没有必要培育所谓算力的人才，由于算力是劳动密集型、资金密集型的；也不是要培育算法的人才，而是要培育使用算法的职业人才。
就像要拧螺丝，终究意图仅仅要把两个家具拧在一起，而并不是要螺丝和螺丝刀，没有必要自己去开个螺丝刀厂，只需要买一个最好的螺丝刀过来拧上，就能够了。
