什么是深度学习?

什么是深度学习(DL)?

深度学习是一种机器学习，它使用人工神经网络使数字系统能够基于非结构化、未标记的数据进行学习和决策。机器学习训练人工智能从它获得的数据中学习，识别模式，提出建议，并进行调整。通过深度学习，数字系统不仅仅是对一组规则做出反应，而是从样本中构建知识，然后使用获得的知识来像人类一样做出反应、行动和操作。

深度学习(DL)是机器学习(ML)的一个子领域，它使用的算法类似于人脑中神经元的使用方式。深度学习基于人类大脑的工作方式创建了人工神经网络及其不同的层。深度学习是通过研究算法来持续学习和改进的领域。深度学习的工作是基于模仿人类思维的人工神经网络。随着大数据分析的快速发展，神经网络变得越来越复杂。这导致计算机加快了观察、学习和对复杂情况做出反应的速度，有时神经网络的速度比人类思维还要快。模型继续使用大量标记数据和多层神经网络进行训练。通过图像分类、翻译功能和语音识别技术，深度学习甚至可以在没有人类帮助的情况下解码模式识别。

深度学习的基础是机器学习中的分布式表示。色散表示假设观测是由不同因素的相互作用产生的。在此基础上，深度学习进一步假设这种交互过程可以划分为多个层次，代表观察的多个抽象层。对于不同的抽象级别，可以使用不同数量的层和层的规模。深度学习使用了这种层次抽象的思想，在这种思想中，高级概念是从低级概念中学习的。这种层次结构通常是使用贪婪算法一层一层地建立起来的，以选择更有效的特征用于机器学习。

为什么深度学习很重要?

数据科学家和开发人员使用深度学习软件为计算机提供动力，以分析庞大而复杂的数据集，执行复杂的非线性任务，并对文本、语音或图像做出响应，通常比人类更快、更准确。这些能力有许多实际应用，并为现代创新创造了许多机会。

随着数据量的不断增加，计算能力变得更加强大和便宜，深度学习变得越来越重要，无论是在零售、医疗保健、运输、制造、技术和其他领域。投资是为了推动创新，获得商机，不被落下。

深度学习是如何工作的?

深度学习的运行依赖于多层的神经网络架构，部署在云中或集群上的高性能图形处理器，以及大量的标记数据，以实现极高的文本、语音和图像识别精度。所有这些都可以帮助开发人员构建接近人类智能的数字系统，并将训练模型的时间从几周缩短到几小时，从而加快实现价值的时间。

计算机程序具有层次结构，每一层的算法对输入应用一层转换，并创建一个统计模型作为输出的参考。将考虑各种迭代，直到达到所需的精度水平。数据需要经过几层或特征集才能到达最后一层，这就是为什么这种技术被称为深度学习。现在有了足够的数据，深度学习程序已经能够使用迭代驱动的输出创建复杂的层次模型。他们可以从大量非结构化原始数据中创建极其准确的预测模型。展望未来，这将在实现物联网(IoT)方面发挥重要作用，因为人类和机器生成的大部分数据都是非结构化的，因此最好由深度学习而不是人类来处理。

什么是深度学习架构?

为了使复杂的机器学习模型更容易实现，开发人员转向深度学习架构。这些架构有助于简化收集可用于训练神经网络的数据的过程。可以与这些架构一起使用，以加快模型的训练和推断。

训练深度学习模型:

• 〇监督式学习
  当使用监督学习时，算法使用标记数据集进行训练。这意味着当算法决定段信息时，它可以使用数据中包含的标签来检查决策是否正确。使用监督学习，训练模型的数据必须由人类提供，在使用数据训练算法之前，必须对数据进行标记。
• 〇无监督学习
  当使用无监督学习时，算法在不包含任何标签或信息的数据上进行训练，算法不能使用标签或信息来检查其判断。相反，该系统根据它可以识别的模式对数据进行排序和分类。
• 强化学习-
  当使用强化学习时，系统可以使用试错方法来做出一系列决策，即使在复杂的环境中也能达到预期的结果。在使用强化学习时，算法并不使用数据集进行决策，而是使用从环境中获得的信息进行决策。
• 深度强化学习-
  当深度学习与强化学习技术相结合时，它会产生一种称为深度强化学习的机器学习。深度强化学习使用与强化学习相同的试错决策和复杂的目标实现方法，但也依赖于深度学习的力量来处理和理解大量非结构化数据。

深度学习能实现什么?

• 航空航天和国防:
  深度学习被广泛用于帮助卫星识别特定物体或感兴趣的区域，并将其分类为对士兵安全或不安全。
• 医学研究:
  深度学习广泛应用于医学研究领域。例如，在癌症研究中，深度学习可以用来自动检测癌细胞的存在。加州大学洛杉矶分校的研究人员发明了一种先进的显微镜，它使用高端数据来教授深度学习应用程序如何精确识别癌细胞。深度学习的范围最终将使医学研究能够根据个人的基因组结构量身定制个性化药物。
• 自动化工业:
  重型机械行业是一个需要很多安全措施的行业。深度学习通过检测进入重型机械不安全范围的任何人员或物体，确保工人在这种环境中的安全。
• 聊天机器人和服务机器人:
  深度学习驱动了所有与客户互动的聊天机器人和服务机器人，并使它们能够为日益复杂的语音和文本查询提供智能答案。这一领域的技术目前正在发展。
• 图像彩色化:
  以前必须手工完成且需要很长时间才能完成的任务现在可以委托给计算机完成。黑白图像可以使用深度学习算法着色，该算法可以将图像内容放在上下文中，并准确地用正确的颜色重新创建它们。
• 人脸识别:
  这种利用深度学习的能力不仅用于一系列安全目的，而且很快将支持店内购买。面部识别已经在机场广泛应用，以实现无缝无纸化值机。深度学习将更进一步，使面部识别成为一种支付手段，即使这个人改变了发型或光线不好。