对于同一种任务，我们常常有很多种算法来完成这个任务。而这些算法之间的好坏主要可以取决于以下三个方面：

1、速度

比如对于自动驾驶而言，我们的目标检测算法必须做到实时的输出预测结果(比如要求耗时<=0.01s)。因为对于交通来讲，画面时刻都在改变，一旦算法耗时过长将会威胁到生命财产安全。比如Fast R-CNN在速度上就比R-CNN要有优势。

2、精度

深度学习之所以能兴起，其原因就在于精度要远超传统机器学习算法。如下图所示，2012年的基于深度学习的Alexnet将imagenet1k数据集的错误率从25降到15，一下降了十多个点。

精度是非常重要的，这也是很多AI竞赛最终得分首先看重的点。在现实生活中算法的应用也是很看重精度。

比如对话机器人，当你输入：往生堂堂主是谁？期待的AI回答可能是：胡桃！或者是：往生堂是啥？如果AI回答：前排出售瓜子可乐矿泉水，那么你可能会觉得很奇怪。

再比如图像处理中，如下是去水印的一个任务，很明显psnr越高的效果会越好。在精度上，右边的模型会好于中间的模型。

3、算法通用性、易理解性

第三个是算法的通用性，和易理解性。我们总是想使用一套比较通用的算法来解决各种各样的任务，比如bert的出现。比如GAN的出现，在GAN之前，我们也可以使用VAE算法来进行生成式任务，但是GAN方法更加的通用，框架也更简单、容易理解。如果我们使用了两种方法达到了同一水平的精度，那么我们应该更加喜欢简单的那种算法。例如：Unet就是一个很好的算法，因为简单所以很容易被记住。再比如残差网络Resnet，整个架构就十分简单，且通用(在Tranformer以及其他模型中几乎都可以找到残差连接的模块)