缺点
尽管 CNN 有诸多好处，但工程师需要克服一些限制才能充分利用它们。
计算成本高且资源匮乏：在高分辨率图像上训练 CNN 需要大量时间和 GPU 能力。例如，如果没有专门的硬件训练，像 ResNet50 这样的模型可能需要几天的时间。这迫使组织使用昂贵的云资源或与可以使用超级计算机的深度学习开发公司合作。
依赖大型标记数据集：CNN 需要使用 ImageNet 等大型标记数据集进行训练。当数据有限时，例如在医疗保健领域的罕见疾病检测中，这将是一项挑战。合成数据生成或迁移学习可以减少数据量，但需要专业知识和资源。
易受对抗性攻击：CNN 易受源图像中细微的恶意更改的影响，从而导致分类错误。例如，图像失真可能会使自动驾驶汽车系统感到困惑。研究人员正在研究对抗性训练等防御机制，以提高 CNN 的弹性。
CNN 在图像识别领域的挑战和未来
卷积神经网络（CNN）改变了视觉识别，但它们仍然面临着诸如能耗和数据集偏差等挑战。
当前的挑战
尤其是在训练期间。它们的高能耗源自复杂的计算中东赌博数据 和庞大的数据集。这是运营和环境成本。以下是不同流行模型的能耗比较：
模型 训练能量（千瓦时） 碳排放量（千克二氧化碳）
ResNet50 260 130
GPT-3（1 个时期） 1,287 650
BERT（微调） 300 150
此外，训练数据集中的偏见也会影响结果。因此，使用代表性不足的人口统计数据创建的数据集可能会导致不准确的面部识别。为了解决偏见，研究人员会更彻底地整理数据集并使用更多样化的数据源。
未来方向
新技术正在解决 CNN 挑战并扩大其用途：
边缘计算：更靠近源头处理数据，减少延迟和能耗。
硬件加速：TPU 等定制芯片使 CNN 速度更快、更节能。
可解释的人工智能：通过展示决策如何做出，使模型更加透明。
轻量级 CNN：针对移动设备，使用更少的参数简化架构。
随着这些技术的发展，它们将改变 CNN 在从医疗保健到自主系统等各个行业的使用方式。