如果有新的样本加入，我们只需要改变一下图例中的卷积核数目和形状（或者甚至不对网络做任何修改）也能够轻松地实现分类。当然，直播，CNN方法在实际运用时是不需要人为地设计卷积核的，而是依靠对样本的训练逐渐构造的。

其实，作为一个尚未成熟的工具，深度学习的优点与缺点同样明显。其优点毋庸置疑，是推动其在各领域蔓延的高分类精度，确切地说是它能够自主归纳特征，免去了过去慢慢手工筛选特征来提高精度的过程。

深度学习方法的缺点也十分致命，即训练结果完全的不可预测性。在训练完成、进行测试之前，即便是有经验的工程师也难以给出其精度的界，更无法预知训练后的参数会变成什么样。

虽然这种说法对于一个机器学习方法来说有些苛刻，毕竟在数值计算领域有很多迭代算法也会因为微小的参数变化而难以收敛。但是作为一个参数量级惊人的算法，人类对其参数含义的解读也是困难的。其在多个领域的广泛运用产生的一个结果是，参数的不可预测性会带来其行为的不可预测性。

虽然技术的推广者经常会如何保证甚至如何吹嘘他们训练出来的模型在很多条件下都有很高的精度（或者说，执行设计者所期望的行为），但更有可能的是，吹牛的人并不知道模型究竟为什么会在特定条件下产生特定的结果。

作为一个“黑盒”算法，其对外的表征是高分通过所有测试，但对于测试内容没有考虑到的情况才是值得担心的。一个廉价而高效的工具在市场上的阻力是比较小的，那么比市场上现有算法更复杂更强大的算法势必会被不断推出。

如果我们能够假定“智能”只是一个不断收集和处理数据的过程，那么我们也可以说《终结者》所描述的世界也并纯粹的想象了。

感谢岳翰的分享~