深度学习是个复杂的概念，其中每项因素都不简单。即使您身为已经熟练掌握人工神经网络基础知识的数据科学家，大家也需要时间了解加速卷积、复发、生成以及其它与多层深度学习算法规范相关的复杂概念。而随着深度学习创新态势的升温，这一技术开始面临新的风险——对于普通开发者而言，其过度复杂的特性导致我们即使深入研究也很难加以了解。
但我个人对此倒是颇有信心，在我看来在这个十年结束时，深度学习业界将大大简化其功能交付方式，意味着普通开发者也能够理解并加以采用。下面，我将与大家一同探讨关于深度学习未来发展方向的六项预测。
1.深度学习业界将采用一组核心标准化工具
到这个十年结束时，深度学习业界将建立起一组核心标准化工具框架。就目前而言，深度学习专家已经选定了一部分工具选项，其中大部分为开源项目。最具人气的成果包括TensorFlow、BigDL、OpenDeep、Caffe、Theano、Torch以及MXNet。
2.深度学习将在Spark之内实现原生支持
Spark社区将在未来一到两年内增强该平台的原生深度学习能力。通过本届Spark峰会的发言来看，整个技术社区似乎正将努力方向明确指向TensorFLow，而BigDL、Caffe与Torch也至少会被纳入支持范畴。
3.深度学习将在开放分析生态系统中找到坚实的利基平台
大多数深度学习部署方案立足于Spark、Hadoop、Kafka以及其它开源数据分析平台。愈发明确的趋势指出，我们将无法在缺少由这些平台提供的完整大数据分析能力的前提下实现深度学习算法的训练、管理与部署。具体来讲，Spark将成为实现深度学习算法在各类工具内规模化与加速建立的基础性平台。可以肯定的是，多数深度学习开发者正在利用Spark集群以实现超参数优化、快速内存数据训练、数据清理以及预处理等特定任务。