什么是深度学习？
深度学习是一种机器学习，它使用人工神经网络来启用数字系统，以根据未标记的非结构化数据来进行学习并做出决策。
通常，机器学习训练 AI 系统从获得的数据经验中学习、识别模式、提出建议并进行调整。特别是通过深度学习，数字系统不只是响应规则集，而是从示例中积累知识，然后使用该知识像人类一样做出反应、行动和表现。
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来训练计算机，以分析大型和复杂的数据集、完成复杂的非线性任务以及响应文本、语音或图像，这通常比人类更快、更准确。这些功能具有许多实际的应用，并且使许多现代创新成为可能。例如，无人驾驶汽车使用深度学习来处理图像，并将行人与道路上的其他物体区分开来，或智能家庭设备使用深度学习来理解语音命令。
深度学习之所以重要，是因为随着数据量的增加和计算能力变得更加强大和经济实惠，遍布零售、医疗保健、运输、制造、技术和其他行业的公司将投资深度学习来推动创新、解锁机会并与时俱进。
深度学习的工作原理
深度学习的工作原理是依赖于多个层中的神经网络体系结构、部署在云中或群集上的高性能图形处理单元以及大量标记的数据以实现非常高级别的文本、语音和图像识别准确性。所有这些功能都可帮助开发人员创建类似人类智能的数字系统，并通过将模型训练从数周加速到数小时来缩短实现价值的时间。
例如，无人驾驶汽车模型可能需要数千个小时的视频和数百万个图像来训练。如果没有深度学习，这种级别的训练就无法大规模进行。
什么是深度学习框架？
为了使复杂的机器学习模型更易于实现，开发人员可以转到深度学习框架，如 TensorFlow 或 PyTorch。这些框架有助于简化数据收集过程，然后可以使用这些数据来对神经网络进行训练。此外，ONNX Runtime 等加速器可以与这些框架结合使用，以加速训练和推理模型。
训练深度学习模型
训练深度学习模型有不同的策略和方法。让我们详细了解其中一些策略和方法。
监督式学习
通过监督式学习，算法会针对标记的数据集进行训练。这意味着，当算法对一条信息做出决定时，它可以使用数据中包含的标签来检查该决定是否正确。使用监督式学习时，训练模型的数据必须由人类（在使用数据训练算法之前标记数据）提供。
非监督式学习
通过非监督式学习，训练算法的数据不包含算法可用于检查其决定的标签或信息。而系统基于它自己识别的模式对数据进行排序和分类。
强化学习
通过强化学习，系统可以通过试错来解决任务，即使在不太简单的环境中也能按顺序做出一系列决策并实现预期结果。借助强化学习，算法不使用数据集来做出决定，而是使用从环境中收集的信息。
深度强化学习
深度学习和强化学习技术结合，会创建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目标实现，但也依赖于深度学习功能来处理和理解大量非结构化数据。
深度学习有什么用途？
深度学习适用于各种行业的企业内的各种用例。下面是有关通常如何使用深度学习的一些示例：
图像、语音和情感识别
深度学习软件用于提高图像、语音和情感识别的准确性，并支持照片搜索、个人数字助理、无人驾驶车辆、公共安全、数字安全性和其他智能技术。
定制体验
流式处理服务、电子商务零售商和其他企业使用深度学习模型来驱动针对产品、电影、音乐或其他服务的自动化建议，并基于购买历史记录、过去的行为和其他数据完善客户体验。
聊天机器人
精明的企业使用深度学习来实现文本或语音激活的在线聊天机器人，以回答常见问题、处理日常事务，尤其是提供客户支持。他们用自动化的、上下文适当的、有用的响应取代了服务代理团队和客户等待队列。
个人数字助理
语音激活的个人数字助理使用深度学习来理解语音、以自然语言对询问和命令做出适当的响应，有时甚至能说俏皮话。
无人驾驶车辆
作为 AI 和深度学习的非正式代表，自动驾驶汽车使用深度学习算法在瞬间处理多个动态数据馈送，永远无需问路，并以比人类驾驶员更快的速度对意外做出反应。
许多企业使用开放源代码机器学习软件向其组织提供深度学习解决方案。
什么是神经网络？
人工神经网络 (ANN) 是一个数字体系结构，可模拟人类认知过程以对复杂模式进行建模、制定预测并对外部刺激做出适当反应。许多类型的机器学习都需要结构化的数据，而神经网络可以将周围世界的事件解释为可处理的数据。
每当你阅读报表、观看电影、驾驶汽车或闻鲜花时，大脑中的数十亿个神经元通过微小的电信号来处理信息。每个神经元处理输入，并将结果输出到下一个神经元进行后续处理，最终立即生成业务见解 - 轻笑、踩刹车或一点喜悦。在机器学习中，神经网络允许数字系统以几乎相同的方式对情况做出解释和响应。
ANN 相当于一个充满数字神经元的大脑，虽然大多数 ANN 是对真实事物的基本模仿，但它们仍然可以处理大量非线性数据，以解决可能需要人为干预的复杂问题。例如，银行分析师可以使用 ANN 来处理贷款申请并预测申请人违约的可能性。
神经网络的用途
在机器学习中，神经网络用于学习和建模复杂、可变的输入和输出，推断不可见的关系，并在没有数据分布限制的情况下进行预测。神经网络模型是许多深度学习应用程序的基础，例如计算机视觉和自然语言处理，可帮助支持欺诈防护、面部识别或自动驾驶车辆。
大多数企业依赖预测来为业务决策、销售策略、财务政策和资源利用提供信息。但由于传统预测的局限性，常常难以预测复杂的动态流程，其中包含多重且往往隐藏的潜在因素，如股票市场价格。深度学习神经网络模型有助于揭示复杂的非线性关系并对不可见的因素进行建模，使企业可以针对大多数业务活动制定准确的预测。
常见神经网络
有几十种不同类型的 AI 神经网络，每一种都适用于不同的深度学习应用程序。使用适合你的业务和技术要求的 ANN。下面是常见 AI 神经网络的一些示例：
卷积神经网络 (CNN)
开发人员使用 CNN 帮助 AI 系统将图像转换为数字矩阵。CNN 主要用于图像分类和对象识别，适用于面部识别、主题检测和情绪分析。
逆卷积神经网络 (DNN)
如果复杂或大容量的网络信号丢失或与其他信号卷积，DNN 将帮助查找它们。DNN 适用于处理高分辨率图像和光流估计。
生成式对抗网络 (GAN)
工程师使用 GAN 来训练模型如何生成模拟训练数据的特定属性的新信息或材料。GAN 可帮助这些模型区分原件和副本之间的细微差异，以生成更真实的副本。GAN 应用程序包括高保真图像和视频生成、高级面部识别和超分辨率。
循环神经网络 (RNN)
RNN 将数据输入到具有特定时间延迟的隐藏层。网络计算会考虑当前状态下的历史信息，较高的输入不会更改模型大小。RNN 是语音识别、高级预测、机器人和其他复杂的深度学习工作负载的不错选择。
转换器
转换器旨在处理顺序输入数据。但是，它们并不限于按顺序处理这些数据。转换器转而使用注意力方法，这种方法允许模型将不同级别的影响分配给不同的输入数据片段，并标识输入序列中各数据片段的上下文。这样可增加并行化水平，从而减少模型训练时间。
机器学习与神经网络
尽管神经网络被视为机器学习的一个子集，但神经网络和常规机器学习模型之间存在一些显著差异。
一方面，神经网络通常比常规机器学习模型更复杂，并且能够更独立地运行。例如，神经网络可以自行确定其预测和结果是否准确，而机器学习模型则需要人类工程师输入才能进行这种区分。
此外，神经网络的结构使神经网络可以继续学习并自行做出智能决策。另一方面，机器学习模型只能基于其特别训练的内容做出决策。
