深度学习为什么要对数据多次训练

1. 为什么深度学习要使用大量数据

利用大数据来学习，更能够刻画数据丰富的内在信息。

深度学习特点：

1、强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；

2、明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据丰富的内在信息。

(1)深度学习为什么要对数据多次训练扩展阅读

深度学习有三大局限：

1、首先，深度学习几乎总是需要大量的标注数据。这使得视觉研究人员的焦点过度集中于容易标注的任务，而不是重要的任务。

2、其次，深网在基准数据集上表现良好，但在数据集之外的真实世界图像上，可能会出现严重失败。特别是，深网难以应付数据集中不经常发生的“罕见事件”。

而在现实世界的应用中，这些情况则会产生潜在风险，因为它们对应的视觉系统故障可能导致可怕的后果。比如，用于训练自动驾驶汽车的数据集几乎从不包含“婴儿坐在路上”的情况。

3、深网对图像中的变化过度敏感。这种过度敏感不仅反映在对图像中难以察觉变化的标准上，还反映在对上下文的变化上，由于数据集大小的局限，过度敏感会导致系统做出错误判断，但这种因过度敏感而导致的图像变化却难以欺骗人类观察者。

2. 深度学习的优势有哪些方面

深度学习具有以下几个方面的显著优势：
1. 强大的学习能力：
深度学习模型能够通过大量的数据训练，不断提升其识别和映射复杂关系的能力。
2. 广泛的覆盖范围和良好的适应性：
由于深度学习网络拥有多层结构，能够逼近复杂的非线性函数，使其能够处理结构化和非结构化数据，解决多种复杂问题。
3. 数据驱动和高度的可扩展性：
深度学习依赖于大量数据进行训练，随着数据量的增加，模型的性能也相应提高，尤其在图像识别、面部识别和自然语言处理等领域表现出色。
4. 优秀的可移植性：
得益于众多开放源代码的深度学习框架，如TensorFlow和PyTorch等，这些框架的兼容性使得深度学习模型能够在不同的平台和应用中轻松迁移和部署。
然而，深度学习也存在一些局限性：
1. 对数据量的依赖性：
深度学习模型通常需要大量的数据进行训练才能达到较好的效果，这在数据稀缺的场景下限制了其应用。
2. 数据偏差和过拟合的风险：
当数据量有限时，深度学习模型可能无法无偏差地估计数据规律，且容易过拟合，即在训练数据上表现良好，但在未见过的数据上表现不佳。
3. 计算资源的消耗：
深度学习模型的复杂性导致计算资源需求高，尤其是在训练大规模网络时，需要强大的计算能力和高效的并行计算技术。
4. 实时性挑战：
为了保持实时性，需要进一步提高算法的优化和硬件的性能，这对于一般机构和团队来说是一大挑战。
因此，深度学习的应用往往集中在资源充足的研究机构和大型企业，它们能够投入必要的计算资源和专业知识来开发前沿的应用。