什麼是深度學習？
深度學習是一種機器學習，會使用人工神經網路，讓數位系統能夠根據非結構化、未標記的資料來學習和做出決策。
一般來說，機器學習會訓練 AI 透過資料學習已獲得的經驗、辨識模式、提出建議以及調整。特別是深度學習方面，數位系統不會只是對一組規則做出回應，而是會從樣本建立知識，然後使用獲得的知識如人類一般地反應、行動和操作。
為什麼深度學習很重要
資料科學家與開發人員會使用深度學習軟體來電腦電腦，以分析龐大且複雜的資料集、完成複雜且非線性的工作，以及回應文字、語音或影像，而且通常比人類更快速且更精確。這些功能有許多實際應用方式，且創造了許多現代化創新機會。舉例來說，無人駕駛汽車會使用深度學習來處理影像，並區分路上的行人與其他物件；您的智慧住宅裝置也會使用深度學習來理解您的語音命令。
隨著資料量不斷增加，且計算容量變得更強大且成本更低，深度學習也變得更加重要，不論是零售業、醫療保健、運輸業、製造業、科技業和其他領域都對深度學習有所投資，就是為了推動創新、獲得商機並不落人後。
深度學習的運作方式
深度學習的運作依賴多層中的神經網路架構、部署在雲端或叢集上的高效能圖形處理器，以及已加上標籤的大量資料，從而達到極高的文字、語音及影像辨識正確性。這一切都能協助您的開發人員打造趨近人類智慧的數位系統，並將訓練模型的時間從數週縮短為數小時，從而加快實現價值的時間。
舉例來說，無人駕駛汽車模型可能需要以數千部影片和數百萬個影像進行訓練。如果沒有深度學習，就無法大規模進行這種程度的訓練。
什麼是深度學習架構？
為了讓複雜的機器學習模型更容易實作，開發人員會轉為採用 TensorFlow 或 PyTorch 等深度學習架構。這些架構有助於簡化收集資料的程序，而這些資料能用來訓練神經網路。此外 ONNX Runtime 等加速器能搭配這些架構使用，以加速訓練及推斷模型。
訓練深度學習模型
訓練深度學習模型有各種策略與方法可用。讓我們仔細看看一些範例。
監督式學習
使用監督式學習時，會使用加上標籤的資料集訓練演算法。這表示當演算法對片段資訊做出決定時，能夠使用資料所包含的標籤，來檢查決定是否正確。使用監督式學習時，模型用以訓練的資料必須由人提供，且該人必須在使用資料訓練演算法前為資料加上標籤。
非監督式學習
使用非監督式學習時，演算法會以不包含任何標籤或資訊的資料訓練，而演算法也無法使用標籤或資訊檢查其判斷。相反地，系統會根據其本身所能辨識的模式來排序和分類資料。
增強式學習
使用增強式學習時，系統能夠使用試錯方式做出一連串的決策，即使在複雜的環境中也能達成預期的結果。使用增強式學習時，演算法不會使用資料集做出決定，而是使用從環境取得的資訊做出決定。
深度增強式學習
當深度學習與增強式學習技術結合後，就能得出稱為深度增強式學習的機器學習類型。深度增強式學習使用與增強式學習相同的試錯決策制定與複雜的目標達成方法，但也依賴深度學習的功能來處理並理解大量非結構化資料。
深度學習有什麼用途？
各行各業都在使用深度學習，使用案例更層出不窮。以下提供一些範例描述深度學習的常見應用方式：
影像、語音和表情辨識
深度學習軟體可用來增加影像、語音和表情辨識正確性，並實現相片搜尋、個人數位助理、無人駕駛車輛、公共安全、數位安全性和其他智慧型技術。
量身打造的體驗
串流服務、電子商務零售商和其他企業，都會使用深度學習模型來為產品、電影、音樂及其他服務推動自動化建議，並根據客戶的購買記錄、過去的行為和其他資料讓客戶體驗更臻完美。
聊天機器人
聰穎的企業會使用深度學習來強化啟用文字或語音的線上聊天機器人，以處理常見問題、日常交易等作業，特別是客戶支援。這些聊天機器人能夠提供自動、符合情境且實用的回應，取代服務專員小組並避免客戶大排長龍。
個人數位助理
啟用語音的個人數位助理會使用深度學習來理解語音、對以自然語言發出的查詢與命令給出適當的回應，偶而還能說笑。
無人駕駛車輛
自動駕駛汽車是 AI 與深度學習的非正式代表，這些汽車會使用深度學習演算法瞬間處理多個動態資料摘要，從來不需要詢問方向，還能對意外臨機應變，速度比人類駕駛還來得快。
許多企業都使用開放原始碼機器學習軟體，將深入學習解決方案帶入其組織。
什麼是神經網路？
人工神經網路 (ANN) 是一種數位架構，能夠模仿人類認知程序來為複雜的模式定型、開發預測，並適當回應外部刺激。和神經網路相比，許多類型的機器學習都需要結構化資料，而神經網路能夠就可處理的資料解讀周圍所發生的事件。
每當您閱讀報告、觀賞電影、駕駛汽車或聞聞花朵時，充滿數十億個神經的大腦會透過微小的電子訊號來處理資訊。每個神經都會處理輸入，而結果會輸出至下一個神經進行後續處理，最後立即產生出商業見解，像是發出笑聲、用腳踩煞車，或是感到開心。在機器學習方面，神經網路能讓數位系統以相似的方式解讀情況並做出反應。
ANN 就像充滿數位神經的大腦，雖然大部分 ANN 都是真實事物的基本模仿，但仍可處理大量非線性資料來代替人類解決複雜的問題。舉例來說，銀行分析師可以使用 ANN 來處理貸款申請，並預測申請人的違約機率。
神經網路的用途
在機器學習中，神經網路會用來學習和定型複雜的輸入和輸出、推斷潛在的關聯性，以及進行預測，而且沒有資料散發限制。神經網路模型是許多深度學習應用的基礎，例如電腦視覺與自然語言處理，能夠協助防範詐騙、辨識臉部，以及讓車輛自動化。
大多數企業都依賴預測來協助做出商務決策、銷售策略、財務政策及資源利用方法。但傳統預測的限制通常會讓您難以預測複雜且多樣的程序，其中包含多個經常隱藏的基礎因素，例如股票市場價格。深度學習神經網路模型能協助發掘複雜的非線性關係，並為隱藏的因素定型，使企業能開發出準確的預測並應用在大多數商務活動。
一般神經網路
AI 神經網路有數十種，每種都適合不同的深度學習應用程式。請使用適合您業務與技術需求的 ANN。以下是常見 AI 神經網路的一些範例：
卷積神經網路 (CNN)
開發人員會使用 CNN 協助 AI 系統將影像轉換成數位矩陣。CNN 主要用於影像分類與物件辨識，適合用來辨識臉部、偵測主題及分析情感。
反卷積神經網路 (DNN)
如果有複雜或大量的網路訊號遺失，或是與其他訊號卷積，DNN 能協助找到這些訊號。DNN 適合用於處理高解析度影像和光流預估。
生成對抗網路 (GAN)
工程師會使用 GAN 訓練模型，讓模型學習如何產生模仿訓練資料之特定屬性的新資訊或材料。GAN 能協助模型區分原始內容和複本之間的細微差異，以製造更真實的複本。GAN 的應用包括高精確度影像與影片產生、進階臉部辨識，以及超解析度。
遞迴式神經網路 (RNN)
RNN 會以特定的時間延遲將資料輸入至隱藏層。目前狀態的歷史資訊會包含網路計算，而較高的輸入量並不會影響模型大小。RNN 非常適合用於語音辨識、進階預測、機器人，以及其他複雜的深度學習工作負載。
轉換器
轉換器的設計目的是處理連續的輸入資料。不過，轉換器不會受限於以連續順序處理資料。相反地，轉換器會使用「注意」，這項技術能讓模型將不同等級的影響指派至輸入資料的不同部分，並以輸入順序識別資料各個部分的內容。這能增加平行處理的等級，進而減少模型訓練時間。
機器學習與神經網路的比較
雖然人們通常認為神經網路屬於一種機器學習，但神經網路與一般機器學習模型有一些顯著的差異。
舉例來說，相較於一般機器學習模型，神經網路通常更加複雜，且能更加獨立地運作。例如，神經網路可以判斷自己的預測與結果是否準確，但機器學習模型則需要人類工程師的輸入才能區別差異。
此外，神經網路是結構化架構，所以神經網路能自行繼續學習並做出有智慧的決策。另一方面，機器學習模型只能根據其特別訓練的內容來做出決策。
