什麼是深度學習?

人工神經網路是一種數位架構，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。

人工神經網絡就像充滿數位神經元的大腦。雖然其中大部分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人工神經網路來處理貸款申請，並預測申請人的違約機率。

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和隱藏的因素，使企業能開發出更準確的預測。

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
開發人員會使用卷積神經網絡來協助 AI 系統將影像轉換為數位矩陣。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
如果有複雜或大量的網路訊號遺失，或是與其他訊號卷積，反卷積神經網路能協助找到這些訊號。反卷積神經網路適合用於處理高解析度影像和光流預估。

生成對抗網路
工程師會使用生成對抗網路訓練模型，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。生成對抗網路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。生成對抗網路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。

遞歸神經網路
遞歸神經網絡會將資料輸入到具有特定時間延遲的隱藏層中。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。遞歸神經網路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。

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。