谷歌 AI 今日更新技术博客，以下是文章概要：深度学习在自然语言处理，会话智能体和连接组学等各个领域已取得广泛成功，且改变了机器学习的研究格局，并给研究人员带来了许多有趣而重要的开放性问题，例如：为什么要进行深度学习神经网络（DNN），尽管参数过多却泛化得这么好？深度网络的体系结构，训练和性能之间的关系是什么？如何从深度学习模型中提取显着特征？近年来，使我们取得进展的关键理论见解之一是，增加 DNN 的宽度会导致更常规的行为，并使它们更易于理解。最近的许多结果表明，允许无限宽的 DNN 收敛到另一个更简单的，称为高斯过程的模型。在此限制下，复杂的现象（如卷积神经网络的贝叶斯推断）归结为简单的线性代数方程。这些无限广泛的网络提供的见解经常会延续到有限的对应对象。因此，无限宽网络可以用作研究深度学习的切入点，也可以用作有用的模型。
