This is the Trace Id: 02eafab31566b53fba431efb0bfa3cf6
Gå till huvudinnehåll
Azure

Vad är djupinlärning?

Lär dig mer om hur djupinlärning använder artificiella neurala nätverk, varför djupinlärning är viktigt och olika typer av djupinlärningsmodeller.
Kom igång med Azure Mer information

Djupinlärning har definierats

Djupinlärning är en typ av maskininlärning som använder artificiella neurala nätverk för att göra det möjligt för digitala system att lära sig och fatta beslut baserat på ostrukturerade, omärkta data.

Maskininlärning tränar AI-system för att lära sig av förvärvad erfarenhet av data, identifiera mönster, ge rekommendationer och anpassa sig. I stället för att bara svara på regeluppsättningar skapar djupinlärningssystem kunskap från exempel och använder sedan den kunskapen för att reagera, agera och prestera likt människor.

Viktiga lärdomar

  • Djupinlärning är en typ av maskininlärning som underlättar inlärning och beslutsfattande i digitala system.
  • Djupinlärning är beroende av neurala nätverksarkitekturer som efterliknar funktioner i den mänskliga hjärnan.
  • Utvecklare använder djupinlärningsramverk som TensorFlow eller PyTorch för att göra komplexa maskininlärningsmodeller enklare att implementera.
  • Branscher använder djupinlärning på flera olika sätt. Chattrobotar, förarlösa bilar och digitala assistenter är alla exempel på tekniker som använder djupinlärning.
  • Företag i flera branscher investerar i djupinlärning för att främja innovation, upptäcka nya möjligheter och visa insikter från stora datamängder.

Varför djupinlärning är viktigt

Dataforskare och utvecklare använder djupinlärningsprogram för att träna datorer att analysera stora och komplexa datamängder, utföra komplicerade och icke-linjära uppgifter samt reagera på text, röst eller bilder, ofta snabbare och mer exakt än människor. Dessa funktioner har många praktiska tillämpningar och har gjort möjliggjort många moderna innovationer. Djupinlärning är till exempel det som förarlösa bilar använder för att bearbeta bilder och skilja fotgängare från andra objekt på vägen, eller vad dina smarta hemenheter använder för att förstå dina röstkommandon.

Djupinlärning blir allt viktigare i takt med att datavolymerna ökar och databehandlingskapaciteten blir mer kraftfull och prisvärd. Företag inom detaljhandel, sjukvård, transport, tillverkning, teknik och andra sektorer investerar i djupinlärning för att driva innovation och hålla sig aktuella.

Så här fungerar djupinlärning

Djupinlärning använder arkitekturer för neurala nätverk i flera lager, högpresterande grafikprocessorer som distribueras i molnet eller i kluster samt stora volymer märkta data för att uppnå mycket hög precision för text-, tal- och bildigenkänning. All denna kraft kan hjälpa dina utvecklare att skapa digitala system som efterliknar mänsklig intelligens och korta utvecklingstiden genom att minska modellens behov av träning från veckor till timmar.

En förarlös bil kan till exempel kräva tusentals videotimmar och miljontals bilder som träning. Utan djupinlärning kunde den här nivån av träning inte genomföras i stor skala.

Vad är ramverk för djupinlärning?

För att göra det enklare att implementera komplexa maskininlärningsmodeller använder utvecklare djupinlärningsramverk som TensorFlow eller PyTorch. Dessa ramverk hjälper till att effektivisera processen med att samla in data som sedan kan användas för att träna neurala nätverk. Dessutom kan acceleratorer som ONNX Runtime användas med dessa ramverk för att påskynda tränings- och inferensmodeller.

Träna modeller för djup kunskapsförmedling

Det finns olika strategier och metoder för att träna djupinlärningsmodeller. Låt oss ta en närmare titt på några av dem.

Övervakat lärande

Vid övervakat lärande tränas en algoritm med hjälp av märkta datauppsättningar. Det innebär att när algoritmen gör en bestämning om en del av informationen kan den använda etiketterna som använts för data för att kontrollera om detta är korrekt. Med övervakat lärande måste de data som modeller tränas på tillhandahållas av människor som märker data innan de används för att träna algoritmen.

Oövervakat lärande

Vid oövervakat lärande tränas algoritmer på data som inte innehåller etiketter eller information mot vilka algoritmen kan kontrollera sina bestämningar. I stället sorterar och klassificerar systemet data baserat på de mönster som det känner igen på egen hand.

Kunskapsförmedling

Med kunskapsförmedling löser ett system uppgifter med hjälp av försök och fel, för att fatta en serie beslut och uppnå ett avsett resultat även i en miljö som inte är lätt att förstå. Vid kunskapsförmedling använder algoritmen inte datauppsättningar för att fatta beslut, utan snarare information som den samlar in från en miljö.

Kunskapsförmedling

När tekniker för djupinlärning och kunskapsförmedling kombineras skapar de en typ av maskininlärning som kallas djup kunskapsförmedling. Djup kunskapsförmedling använder samma försök och fel-beslutsfattande och komplexa målresultat som kunskapsförmedling, men förlitar sig också på djupinlärningsfunktioner för att bearbeta och förstå stora mängder ostrukturerade data.

Till vad används djupinlärning?

Djupinlärning används av företag i olika branscher för en mängd olika användningsområden. Här följer några exempel på hur djupinlärning används:

Bild-, tal- och känsloigenkänning

Djupinlärningsprogram används för att öka noggrannheten för bild-, tal- och känsloigenkänning och för att möjliggöra fotosökningar, personliga digitala assistenter, förarlösa fordon, allmänhetens säkerhet, digital säkerhet och andra intelligenta tekniker.

Chattrobotar

Smarta företag använder djupinlärning för att driva text- eller röstaktiverade online-chattrobotar för vanliga frågor, rutintransaktioner och inte minst för kundsupport. De ersätter team med tjänstagenter, och köer med väntande kunder, med automatiserade, sammanhangsberoende och användbara svar.

Förarlösa fordon

Självkörande bilar använder djupinlärningsalgoritmer för att bearbeta flera dynamiska datakällor på bråkdelar av en sekund och reagera på det oväntade snabbare än en mänsklig förare.

Skräddarsydda upplevelser

Strömningstjänster, online-återförsäljare och andra företag använder djupinlärningsmodeller för att ge automatiserade rekommendationer för produkter, filmer, musik eller andra tjänster och för att skapa perfekta kundupplevelser baserat på inköpshistorik, tidigare beteende och andra data.

Personliga digitala assistenter

Röstaktiverade personliga digitala assistenter använder djupinlärning för att förstå tal, tolka och besvara frågor samt kommandon på naturligt språk, och till och med för att skämta.

Förstå neurala nätverk

Neurala nätverk är digitala arkitekturer som utformats för att efterlikna mänsklig aktivitet i hjärnan. De består av sammanlänkade noder som bearbetar och lär sig av data, vilket möjliggör uppgifter som mönsterigenkänning och beslutsfattande inom maskininlärning. Företag och andra institutioner förlitar sig på dessa modeller för finansiella prognoser, försäljningsstrategier och andra affärsbeslut.

Vad är neurala nätverk?

Ett artificiellt neuralt nätverk är en digital arkitektur som efterliknar mänskliga kognitiva processer för att modellera komplexa mönster, ta fram förutsägelser och agera på lämpligt sätt på externa signaler. Strukturerade data krävs för många typer av maskininlärning, jämfört med neurala nätverk som kan tolka händelser i världen runt dem som data som kan bearbetas.

När du läser en rapport, tittar på film, kör bil eller luktar på en blomma bearbetas informationen av miljarder neuroner i din hjärna via små elektriska signaler. Varje neuron bearbetar indata och resultatet matas vidare till nästa neuron för ytterligare bearbetning, vilket i slutänden (och omedelbart) resulterar i en affärsinsikt, ett skratt, en fot på bromspedalen eller glädje. Inom maskininlärning gör neurala nätverk att digitala system kan tolka och reagera på situationer på ett liknande sätt.

Ett artificiellt neuralt nätverk är som en hjärna full av digitala neuroner. De flesta av dem är enkla imitationer av sin förebild, kan de fortfarande bearbeta stora mängder icke-linjära data för att lösa komplexa problem som annars skulle kräva mänskligt ingripande. Bankanalytiker kan till exempel använda ett artificiellt neuralt nätverk för att bearbeta låneansökningar och förutsäga sannolikheten låntagaren sköter sitt åtagande.

Vad man kan göra med neurala nätverk

Inom maskininlärning används neurala nätverk för inlärning och modellering av komplexa, ej beständiga indata och utdata, för att dra slutsatser om dolda relationer och för att göra förutsägelser utan begränsningar för datadistribution. Modeller för neurala nätverk utgör grunden för många djupinlärningsprogram, till exempel datorseende och bearbetning av naturligt språk, vilket kan hjälpa till att stödja bedrägeriskydd, ansiktsigenkänning eller förarlösa fordon.

De flesta företag förlitar sig på prognoser för affärsbeslut, försäljningsstrategier, finansiella principer och resursutnyttjande. Begränsningarna i traditionella prognoser gör det dock ofta svårt att förutsäga komplexa, dynamiska processer med flera och ofta dolda underliggande faktorer, till exempel aktiekurser. Modeller för neurala nätverk för djupinlärning hjälper till att exponera komplexa icke-linjära relationer och dolda faktorer, så att företag kan ta fram mer korrekta prognoser.

Vanliga neurala nätverk

Det finns dussintals olika typer av neurala AI-nätverk, lämpliga för olika typer av djupinlärningsprogram. Använd ett ANN som är lämplig för dina affärs- och teknikkrav. Här följer några exempel på vanliga neurala AI-nätverk:

Konvolutionellt neuralt nätverk
Utvecklare använder ett konvolutionellt neuralt nätverk för att hjälpa AI-system att konvertera bilder till digitala matriser. CNN-nätverk används främst för bildklassificering och objektigenkänning och är lämpliga för ansiktsigenkänning, ämnesidentifiering och attitydanalyser.

Dekonvolutionellt neuralt nätverk
Om komplexa eller stora nätverkssignaler försvinner eller konvergeras med andra signaler kan ett deconvolutional neuralt nätverk hjälpa dig att hitta dem. Dekonvolutionella neurala nätverk är användbara för bearbetning av högupplösta bilder och optiska flödesuppskattningar.

Generativt motstridigt nätverk
Tekniker använder ett generativt motstridigt nätverk för att träna modeller att generera ny information eller nytt material som efterliknar de specifika egenskaperna för använda data. Generativt motstridigt nätverk hjälper modellerna att skilja mellan små skillnader mellan original och kopior för att göra mer verklighetstrogna kopior. Generativt motstridigt nätverk-program inkluderar bild- och videogenerering med hög återgivning, avancerad ansiktsigenkänning och superupplösning.

Återkommande neuralt nätverk
Ett återkommande neuralt nätverk matar in data till dolda lager med specifika tidsfördröjningar. Nätverksberäkning står för historisk information i aktuella tillstånd, och ytterligare indata ändrar inte modellstorleken. Återkommande neurala nätverk är ett bra alternativ för taligenkänning, avancerade förutsägelser, robotteknik och andra komplexa arbetsbelastningar för djupinlärning.

Transformers
Omvandlare är utformade för att hantera sekventiella indata. De är dock inte begränsade till att bearbeta dessa data i sekventiell ordning. I stället använder omvandlare attention (uppmärksamhet) – en teknik som gör att modeller kan tilldela olika nivåer av inverkan till olika delar av indata, och identifiera kontexten för enskilda datadelar i en indatasekvens. Detta möjliggör en högre parallelliseringsnivå, vilket kan minska tiden det tar att träna modellen.

Maskininlärning jämfört med neurala nätverk

Även om neurala nätverk betraktas som en delmängd av maskininlärning finns det några betydande skillnader mellan neurala nätverk och vanliga maskininlärningsmodeller.

Neurala nätverk är vanligtvis mer komplexa och kan i högre grad än vanliga maskininlärningsmodeller fungera oberoende. Ett neuralt nätverk kan till exempel på egen hand avgöra om dess förutsägelser och resultat är korrekta, medan en maskininlärningsmodell skulle kräva indata från en mänsklig tekniker för att dra den slutsatsen.

Dessutom är neurala nätverk strukturerade så att det neurala nätverket kan fortsätta att lära sig och fatta intelligenta beslut på egen hand. Maskininlärningsmodeller är begränsade till beslutsfattande baserat på vad de specifikt har tränats på.
RESURSER

 Fördjupa dig i fördelarna med djupinlärning

En kvinna med en vit skjorta som sitter vid en dator.
Produkt

Komma igång med djupinlärning i Azure

Stöd bildigenkänning med hjälp av neurala nätverk eller optimera bearbetning av naturligt språk med snabba, enkla och exakta NLP-modeller i BERT. Utforska hur du skapar, tränar och distribuerar alla typer av djupinlärningsmodeller med Azure Machine Learning.
Mer information
En man med handen mot ansiktet som tittar på en bärbar dator.
Lösning

Utforska maskininlärning för dataforskare

Lär dig skapa maskininlärningslösningar i molnet med Azure och utforska maskininlärningsverktyg för dataforskare och maskininlärningstekniker.
Läs mer
En person som tittar på sin telefon.
Evenemang

Azure-händelser och -webbseminarier

Lär dig nya färdigheter, utforska nya tekniker och få kontakt med kollegor – digitalt eller personligen.
Mer information

Vanliga frågor och svar

  • Djupinlärning är en delmängd av AI. Den använder artificiella neurala nätverk som hjälper digitala system att lära sig och fatta beslut baserat på ostrukturerade, omärkta data.
  • Djupinlärning är en delmängd av maskininlärning. Den främsta skillnaden mellan de två är hur varje algoritm lär sig och hur mycket data varje typ av algoritm kräver. Eftersom djupinlärning använder mer data förlitar sig företag vanligtvis på dem för mer komplexa uppgifter.
  • AI, maskininlärning och djupinlärning används ofta på samma sätt. Det är dock enklast att betrakta dessa tre som en serie AI-system från största till minsta, som var och en omfattar nästa. AI är det övergripande systemet, maskininlärning är en delmängd av AI och djupinlärning är en delmängd av maskininlärning.
  • Djupinlärning används inom en mängd olika branscher på flera olika sätt. Digitala assistenter använder till exempel djupinlärning för att förstå tal och svara korrekt på frågor och kommandon.
  • Djupinlärning är viktigt eftersom det visar insikter från stora datauppsättningar på sätt som inte var möjliga tidigare. Företag inom detaljhandel, sjukvård, transport, tillverkning och andra sektorer investerar i djupinlärning för att främja innovation, upptäcka möjligheter och förbli relevanta.
  • Azure använder djupinlärning via ett komplext system med neurala nätverksarkitekturer, högpresterande GPU:er och stora mängder märkta data. Dessa tjänster ger utvecklare som använder Azure möjlighet att skapa intelligenta, avancerade, marknadsklara och ansvarsfulla program.