深度学习目前非常火爆，且资金充足，并且发展异常迅速。当你还在阅读会议上发表的论文时，它可能已经有两三次迭代了。这给我上述列出的几点提出了很大的挑战：深度学习在不久的将来可能在这些情景中是非常有用的。用于解释图像和离散序列的深度学习模型的工具越来越好。最近的软件，如Edward与贝叶斯结合建模和深度网络框架，将量化神经网络参数的不确定性考虑在内，通过概率编程的简易贝叶斯推理和自动变分推理。从长远来看，可能会有一个简化的建模词汇表，指出深度网络可以具有的显著属性，从而减少需要尝试的参数空间。

Edward通过tensorflow与概率规划结合，将深度学习和贝叶斯的模型考虑在内。摘自Tran et al. ICLR 2017

来源：hyperparameter.space