深度學習是個復雜的概念，其中每項因素都不簡單。即使您身為已經熟練掌握人工神經網絡基礎知識的數據科學家，大家也需要時間了解加速卷積、復發、生成以及其它與多層深度學習算法規范相關的復雜概念。而隨著深度學習創新態勢的升溫，這一技術開始面臨新的風險——對于普通開發者而言，其過度復雜的特性導致我們即使深入研究也很難加以了解。

但我個人對此倒是頗有信心，在我看來在這個十年結束時，深度學習業界將大大簡化其功能交付方式，意味著普通開發者也能夠理解并加以采用。下面，我將與大家一同探討關于深度學習未來發展方向的六項預測。

1.深度學習業界將采用一組核心標準化工具

到這個十年結束時，深度學習業界將建立起一組核心標準化工具框架。就目前而言，深度學習專家已經選定了一部分工具選項，其中大部分為開源項目。最具人氣的成果包括TensorFlow、BigDL、OpenDeep、Caffe、Theano、Torch以及MXNet。

2.深度學習將在Spark之內實現原生支持

Spark社區將在未來一到兩年內增強該平臺的原生深度學習能力。通過本屆Spark峰會的發言來看，整個技術社區似乎正將努力方向明確指向TensorFLow，而BigDL、Caffe與Torch也至少會被納入支持范疇。

3.深度學習將在開放分析生態系統中找到堅實的利基平臺

大多數深度學習部署方案立足于Spark、Hadoop、Kafka以及其它開源數據分析平臺。愈發明確的趨勢指出，我們將無法在缺少由這些平臺提供的完整大數據分析能力的前提下實現深度學習算法的訓練、管理與部署。具體來講，Spark將成為實現深度學習算法在各類工具內規模化與加速建立的基礎性平臺。可以肯定的是，多數深度學習開發者正在利用Spark集群以實現超參數優化、快速內存數據訓練、數據清理以及預處理等特定任務。

4.深度學習工具將引入經過簡化的編程框架以實現快速編碼

應用開發者社區將繼續采用API及其它編程抽象方案，旨在降低代碼行數以快速完成核心算法功能的開發。展望未來，深度學習開發者將越來越多地腰牌集成化、開放、基于云的開發環境，并由此訪問更為廣泛的現成及可插拔算法庫。這一切將使得深度學習應用以可組裝容器化微服務的形式實現API驅動型開發。此類工具將自動實現更多深度學習開發管道功能，同時提供適用于筆記本設備的協作與共享規范。隨著這種趨勢的加劇，我們將看到更多諸如《50行代碼(Pytorch)實現生成式對抗網絡》這樣的頭條新聞。

5.深度學習工具集將支持可復用組件的可視化開發

深度學習工具集將引入更多模塊化功能以實現可視化設計、配置以及立足于原有構建組件的新模型訓練。其中大部分可復用組件將通過“翻譯學習”從原有項目中提取，用以解決類似的用例。可復用深度學習工件將被結合到標準庫與接口當中，具體包括特征表達、神經節點分層、權重方法、訓練方法、學習速率以及其它與原有模型相關的功能。

6.深度學習工具將被嵌入至每一類設計面

現在討論“深度學習民主化”進程還為時過早。在未來五到十年內，深度學習開發工具、庫以及語言將逐漸成為每一種軟件開發工具集內的標準組件。同樣重要的是，這些用戶友好型深度學習開發能力將被嵌入至生成式設計工具內，以供藝術家、設計師、架構師以及來自各個領域的創造性工作者使用。推動這一切的正是深度學習工具的易用性，其強大的能力將被廣泛應用于圖像搜索、自動標記、仿真渲染、分辨率增強、風格轉換、圖形啟發以及音樂編曲等層面。

隨著深度學習在大規模市場化應用領域的快速推進，其將與數據可視化、商務智能與預測分析一道成為眾多行業的立足基石。而各類嘗試學習方案也將開始向自助服務式云交付模式轉型，從而為那些不希望接觸底層技術復雜性的用戶提供便利。而這，也正是長久以來技術發展的必然趨勢。