什么是深度學(xué)習(xí)？

深度學(xué)習(xí)試圖模仿人腦，盡管與大腦的能力相去甚遠(yuǎn)，使其能夠從大量數(shù)據(jù)中“學(xué)習(xí)”。

旨在使系統(tǒng)能夠以難以置信的準(zhǔn)確度對(duì)數(shù)據(jù)進(jìn)行聚類并做出預(yù)測(cè)。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，它本質(zhì)上是一個(gè)三層或更多層的神經(jīng)網(wǎng)絡(luò)，雖然單層的神經(jīng)網(wǎng)絡(luò)仍然可以進(jìn)行近似預(yù)測(cè)，但額外的隱藏層可以幫助優(yōu)化和改進(jìn)準(zhǔn)確性。

深度學(xué)習(xí)驅(qū)動(dòng)了許多人工智能 (AI)應(yīng)用程序和服務(wù)，這些應(yīng)用程序和服務(wù)可提高自動(dòng)化、執(zhí)行分析和物理任務(wù)而無需人工干預(yù)。

深度學(xué)習(xí)技術(shù)支持日常產(chǎn)品和服務(wù)（例如數(shù)字助理、支持語音的電視遙控器和信用卡欺詐檢測(cè)）以及新興技術(shù)（例如自動(dòng)駕駛汽車）。

深度學(xué)習(xí)與機(jī)器學(xué)習(xí)

如果深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，它們有什么區(qū)別？

深度學(xué)習(xí)與經(jīng)典機(jī)器學(xué)習(xí)的區(qū)別在于它使用的數(shù)據(jù)類型和學(xué)習(xí)方法。

機(jī)器學(xué)習(xí)算法利用結(jié)構(gòu)化的標(biāo)記數(shù)據(jù)進(jìn)行預(yù)測(cè)——這意味著從模型的輸入數(shù)據(jù)中定義特定特征并組織到表格中。

這并不一定意味著它不使用非結(jié)構(gòu)化數(shù)據(jù)，通常會(huì)通過一些預(yù)處理將其組織成結(jié)構(gòu)化的格式。

深度學(xué)習(xí)消除了機(jī)器學(xué)習(xí)通常涉及的一些數(shù)據(jù)預(yù)處理。

這些算法可以攝取和處理非結(jié)構(gòu)化數(shù)據(jù)，如文本和圖像，并自動(dòng)提取特征，消除對(duì)人類專家的一些依賴。例如，假設(shè)我們有一組不同寵物的照片，我們想按“貓”、“狗”、“倉鼠”等進(jìn)行分類。

深度學(xué)習(xí)算法可以確定哪些特征（例如耳朵）對(duì)于區(qū)分每只動(dòng)物最重要。而不像在機(jī)器學(xué)習(xí)中，這種特征層次結(jié)構(gòu)是由人類專家手動(dòng)建立的。

然后，通過梯度下降和反向傳播的過程，深度學(xué)習(xí)算法調(diào)整和適應(yīng)自身的準(zhǔn)確性，使其能夠以更高的精度對(duì)動(dòng)物的新照片進(jìn)行預(yù)測(cè)。

機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型也能夠進(jìn)行不同類型的學(xué)習(xí)，通常分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

監(jiān)督學(xué)習(xí)利用標(biāo)記數(shù)據(jù)集進(jìn)行分類或進(jìn)行預(yù)測(cè)；需要某種人工干預(yù)來正確標(biāo)記輸入數(shù)據(jù)。相比之下，無監(jiān)督學(xué)習(xí)不需要標(biāo)記數(shù)據(jù)集，而是檢測(cè)數(shù)據(jù)中的模式，并通過任何可區(qū)分的特征將它們聚類。強(qiáng)化學(xué)習(xí)是一個(gè)過程，在這個(gè)過程中，模型學(xué)習(xí)變得更加準(zhǔn)確，以便根據(jù)反饋在環(huán)境中執(zhí)行動(dòng)作，以最大化獎(jiǎng)勵(lì)。

深度學(xué)習(xí)的工作原理

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)或人工神經(jīng)網(wǎng)絡(luò)試圖通過數(shù)據(jù)輸入、權(quán)重和偏差的組合來模仿人腦。這些元素協(xié)同工作以準(zhǔn)確識(shí)別、分類和描述數(shù)據(jù)中的對(duì)象。

深度神經(jīng)網(wǎng)絡(luò)由多層互連節(jié)點(diǎn)組成，每一層都建立在前一層之上，以細(xì)化和優(yōu)化預(yù)測(cè)或分類。通過網(wǎng)絡(luò)進(jìn)行的這種計(jì)算過程稱為前向傳播。深度神經(jīng)網(wǎng)絡(luò)的輸入和輸出層稱為可見 層。輸入層是深度學(xué)習(xí)模型攝取數(shù)據(jù)進(jìn)行處理的地方，輸出層是進(jìn)行最終預(yù)測(cè)或分類的地方。

另一個(gè)稱為反向傳播的過程 使用諸如梯度下降之類的算法來計(jì)算預(yù)測(cè)中的誤差，然后通過向后移動(dòng)層以訓(xùn)練模型來調(diào)整函數(shù)的權(quán)重和偏差。前向傳播和反向傳播一起使神經(jīng)網(wǎng)絡(luò)能夠做出預(yù)測(cè)并相應(yīng)地糾正任何錯(cuò)誤。隨著時(shí)間的推移，算法逐漸變得更加準(zhǔn)確。

上面用最簡(jiǎn)單的術(shù)語描述了最簡(jiǎn)單的深度神經(jīng)網(wǎng)絡(luò)類型。

然而，深度學(xué)習(xí)算法極其復(fù)雜，并且有不同類型的神經(jīng)網(wǎng)絡(luò)來解決特定的問題或數(shù)據(jù)集。

例如：
卷積神經(jīng)網(wǎng)絡(luò)CNN，主要用于計(jì)算機(jī)視覺和圖像分類應(yīng)用程序，可以檢測(cè)圖像中的特征和模式，從而實(shí)現(xiàn)目標(biāo)檢測(cè)或識(shí)別等任務(wù)。2015 年，CNN 首次在物體識(shí)別挑戰(zhàn)中擊敗了人類。

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，通常用于自然語言和語音識(shí)別應(yīng)用程序，因?yàn)樗庙樞蚧驎r(shí)間序列數(shù)據(jù)。

深度學(xué)習(xí)應(yīng)用

現(xiàn)實(shí)世界的深度學(xué)習(xí)應(yīng)用程序是我們?nèi)粘Ｉ畹囊徊糠?，但在大多?shù)情況下，它們很好地集成到產(chǎn)品和服務(wù)中，以至于用戶不知道在后臺(tái)進(jìn)行的復(fù)雜數(shù)據(jù)處理。其中一些示例包括：

執(zhí)法
深度學(xué)習(xí)算法可以分析交易數(shù)據(jù)并從中學(xué)習(xí)，以識(shí)別表明可能存在欺詐或犯罪活動(dòng)的危險(xiǎn)模式。語音識(shí)別、計(jì)算機(jī)視覺和其他深度學(xué)習(xí)應(yīng)用可以通過從錄音、視頻、圖像和文檔中提取模式和證據(jù)來提高調(diào)查分析的效率和有效性，幫助執(zhí)法部門更快、更準(zhǔn)確地分析大量數(shù)據(jù)。

金融服務(wù)
金融機(jī)構(gòu)經(jīng)常使用預(yù)測(cè)分析來推動(dòng)股票的算法交易、評(píng)估貸款批準(zhǔn)的業(yè)務(wù)風(fēng)險(xiǎn)、檢測(cè)欺詐并幫助管理客戶的信貸和投資組合。

客戶服務(wù)
許多組織將深度學(xué)習(xí)技術(shù)納入其客戶服務(wù)流程。聊天機(jī)器人——用于各種應(yīng)用程序、服務(wù)和客戶服務(wù)門戶——是一種簡(jiǎn)單的人工智能形式。傳統(tǒng)的聊天機(jī)器人使用自然語言甚至視覺識(shí)別，常見于類似呼叫中心的菜單中。然而，更復(fù)雜的聊天機(jī)器人解決方案試圖通過學(xué)習(xí)來確定是否對(duì)模棱兩可的問題有多種回答。根據(jù)收到的回復(fù)，聊天機(jī)器人會(huì)嘗試直接回答這些問題或?qū)?duì)話路由給人類用戶。

Apple 的 Siri、Amazon Alexa 或 Google Assistant 等虛擬助手通過啟用語音識(shí)別功能擴(kuò)展了聊天機(jī)器人的概念。這創(chuàng)造了一種以個(gè)性化方式吸引用戶的新方法。

衛(wèi)生保健
自從醫(yī)院記錄和圖像數(shù)字化以來，醫(yī)療保健行業(yè)從深度學(xué)習(xí)能力中受益匪淺。圖像識(shí)別應(yīng)用程序可以支持醫(yī)學(xué)影像專家和放射科醫(yī)生，幫助他們?cè)诟痰臅r(shí)間內(nèi)分析和評(píng)估更多圖像。

深度學(xué)習(xí)硬件要求
深度學(xué)習(xí)需要大量的計(jì)算能力。高性能圖形處理單元CPU是理想的選擇，因?yàn)樗鼈兛梢栽诰哂写罅靠捎脙?nèi)存的多核中處理大量計(jì)算。但是，在本地管理多個(gè) GPU 會(huì)對(duì)內(nèi)部資源產(chǎn)生大量需求，并且擴(kuò)展成本高得令人難以置信。