什麼是深度學習？
深度學習是人工智慧 (AI) 中的一種方法，可指導電腦以受人腦啟發的方式來處理資料。深度學習模型可識別圖片、文字、聲音和其他資料的複雜模式，藉此產生更準確的洞察和預測。您可以使用深度學習方法將通常需要人類智慧的任務自動化，例如描述影像或將聲音檔案轉錄為文字。
為什麼深度學習很重要？
人工智慧 (AI) 試圖將電腦訓練為能像人類一樣思考和學習。深度學習技術驅動了許多日常產品中使用的 AI 應用程式，例如：
- 數位助理
- 聲控電視遙控器
- 詐騙偵測
- 自動臉部辨識
它也是新興技術的關鍵組成部分，例如自動駕駛、虛擬實境等。
深度學習模型是資料科學家經訓練後使用演算法或一組預先定義步驟執行任務的電腦檔案。企業使用深度學習模型來分析資料並在各種應用程式中進行預測。
深度學習有哪些用途？
深度學習在汽車、航太、製造、電子、醫學研究和其他領域中具有若干使用案例。以下是一些深度學習的範例：
- 自動駕駛汽車使用深度學習模型來自動偵測道路標示和行人。
- 國防系統使用深度學習來自動標示衛星影像中感興趣的區域。
- 醫學影像分析使用深度學習來自動偵測癌細胞，以進行醫學診斷。
- 工廠使用深度學習應用程式來自動偵測人員或物件是否位於機器的不安全距離內。
您可以將深度學習的各種使用案例分成四大類：電腦視覺、語音辨識、自然語言處理 (NLP) 和建議引擎。
電腦視覺
電腦視覺是電腦從影像和影片中擷取資訊和洞察的功能。電腦可以使用深度學習技術，從而以與人類相同的方式理解圖像。電腦視覺有多種應用，例如：
- 內容審核，可自動從影像和影片封存中移除不安全或不當的內容
- 面部識別，可識別面部，並識別睜眼、眼鏡和面部毛髮等屬性
- 影像分類，可識別品牌標誌、服裝、安全裝備和其他影像詳細資訊
語音識別
儘管語音模式、音調、語氣、語言和口音不同，深度學習模型仍然可以分析人類語音。Amazon Alexa 和自動轉錄軟體等虛擬助手使用語音識別來執行以下任務：
- 協助呼叫中心客服人員並自動對呼叫分類。
- 將臨床對話即時轉化為文件。
- 為影片和會議錄音提供準確的字幕，以擴大內容覆蓋範圍。
自然語言處理
電腦使用深度學習演算法從文字資料和文件中收集洞察和意義。這種處理自然、人工建立文字的功能具有若干使用案例，包括下列功能：
- 自動化虛擬客服和聊天機器人
- 文件或新聞文章的自動匯總
- 對電子郵件和表單等長篇文件進行商業智慧分析
- 指示情緒關鍵短語的索引，例如社交媒體上的正面和負面評論
推薦引擎
應用程式可以使用深度學習方法來追蹤使用者活動並開發個人化建議。他們可以分析各種使用者的行為，並幫助他們發現新的產品或服務。例如，Netflix、Fox 和 Peacock 等許多媒體與娛樂公司都使用深度學習來提供個人化的視訊推薦。
深度學習如何運作？
深度學習演算法是以人類大腦為模型的神經網路。例如，人腦包含數百萬個互連的神經元，這些神經元會協同合作以學習和處理資訊。同樣地，深度學習神經網路或人工神經網路，也包含了許多人工神經元層，其可在電腦內部協同運作。
人工神經元是稱為節點的軟體模組，其會使用數學計算來處理資料。人工神經網路屬於深度學習演算法，可使用這些節點來解決複雜問題。
深度學習網路有哪些元件？
深度神經網路包含以下組成部分。
輸入層
人工神經網路有幾個節點，可以將資料輸入到其中。這些節點構成了系統的輸入層。
隱藏層
輸入層會處理資料，並將資料傳遞到神經網路的其他層中。這些隱藏層會在不同層級處理資訊，在接收新資訊時調整它們的行為。深度學習網路有數百個隱藏圖層，可用來從幾個不同的角度分析問題。
例如，如果您獲得了一張您必須對其進行分類的未知動物的影像，則可以將其與您已經認識的動物進行比較。例如，您可以觀察它的眼睛和耳朵的形狀、大小、腿的數量以及其毛皮圖案。您可以嘗試識別模式，如下所示：
- 動物有蹄，所以它可能是牛或鹿。
- 動物有貓的眼睛，所以它可能是某種野貓。
深度神經網路中的隱藏層會以相同的方式運作。如果深度學習演算法正在嘗試對動物影像進行分類，則其每個隱藏層都會處理動物的不同特徵，並嘗試對其進行準確的分類。
輸出層
輸出層由輸出資料的節點組成。輸出「yes」或「否」答案的深度學習模型在輸出層中只有兩個節點。另一方面，那些輸出範圍更廣的答案具有更多節點。
什麼是機器學習背景下的深度學習？
深度學習是一種機器學習。深度學習演算法的出現是為了提高傳統的機器學習技術的效率。傳統的機器學習方法需要大量的人力來訓練軟體。例如，在動物影像識別中，您需要執行以下動作：
- 手動標記成千上萬的動物影像。
- 讓機器學習演算法處理這些影像。
- 在一組未知的影像上測試這些算法。
- 確定某些結果不準確的原因。
- 透過標記新影像來改善資料集，進而提高結果的準確性。
這個過程稱為監督學習。在監督學習中，只有當您擁有廣泛且多樣化的資料集時，結果準確性才會提高。例如，演算法可能會準確識別黑貓，而不是白貓，因為訓練資料集中的黑貓影像更多。在這種情況下，您將需要標記更多的白貓影像，然後再次訓練機器學習模型。
相較於機器學習，深度學習有哪些優點？
相較於傳統機器學習，深度學習網路具有以下優點。
有效處理非結構化資料
機器學習方法發現非結構化資料 (例如文字文件) 難以處理，因為訓練資料集可能有無限變化。另一方面，深度學習模型可以理解非結構化資料並進行一般性觀察，而無需手動擷取特徵。例如，神經網路可以識別這兩個不同的輸入句子具有相同的含義：
- 您能告訴我如何付款嗎？
- 如何轉帳？
隱藏的關係和模式探索
深度學習應用程式可以更深入地分析大量資料，並揭示可能尚未接受過訓練的新洞察。例如，假設深度學習模型經過訓練，則可分析消費者購買。該模型僅包含您已購買的項目的資料。但是，人工神經網路可將您的購買模式與其他類似客戶的購買模式進行比較，進而就您尚未購買的新商品提供建議。
無監督學習
深度學習模型可以根據使用者行為，隨時間的推移學習和改進。它們不需要標記資料集的大量變化。例如，考慮透過分析您的打字行為，來自動糾正或建議單詞的神經網路。我們假設其用英文訓練，並且可以對英語單詞進行拼寫檢查。但是，如果您經常輸入非英語單詞，例如 danke，神經網路也可以自動學習和糾正這些單詞。
動態資料處理
動態資料集有大量的變化。其中一個範例是銀行的貸款還款金額。深度學習類神經網路也可以對資料進行分類和排序，例如分析金融交易，並將其中一些標記為詐騙偵測。
深度學習有哪些挑戰？
由於深度學習是一種相對較新的技術，因此實際實作可能並非易事。
大量高品質資料
當您使用大量高品質資料進行訓練時，深度學習演算法可提供更好的結果。輸入資料集中的異常值或錯誤可能會對深度學習程序產生重大影響。例如，在我們的動物影像範例中，如果在資料集中意外引入了非動物影像，深度學習模型可能會將飛機歸類為海龜。
若要避免此類錯誤，您必須先清理並處理大量資料，才能訓練深度學習模型。輸入資料預處理需要大量的資料儲存容量。
大處理能力
深度學習演算法屬於運算密集型演算法，需要具備足夠運算容量的基礎設施才能正常運作。否則，它們需要很長時間來處理結果。
雲端深度學習有哪些優點？
在雲端基礎設施上執行深度學習演算法可以克服許多這些挑戰。您可以在雲端中使用深度學習，以更快地設計、開發和訓練深度學習應用程式。
速度
您可以使用 GPU 和 CPU 叢集更快地訓練深度學習模型，以便執行神經網路所需的複雜數學運算。然後，您可以部署這些模型來處理大量的資料，並產生越來越密切相關的結果。
可擴展性
雲端上有各式各樣的隨需資源，您可以存取近乎無限的硬體資源來處理任何規模的深度學習模式。您的神經網路可利用多個處理器，以在不同的處理器類型和數量下無縫、有效地分配工作負載。
什麼是 AWS 上的深度學習？
AWS 深度學習服務利用雲端運算的強大功能，讓您能夠以更低的成本擴展深度學習神經網路，並最佳化其速度。您還可以使用下列 AWS 服務來全面管理特定的深度學習應用程式：
- Amazon Rekognition 會向您的應用程式新增預先訓練或可自訂的電腦視覺功能
- Amazon Transcribe 可自動識別和準確轉錄語音
- Amazon Lex 可建置智慧 chatbot，這些機器人可以理解意圖、維護對話相關內容，並跨多種語言自動執行簡單任務
藉助 Amazon SageMaker 在 AWS 上開始使用深度學習，快速輕鬆地建置、訓練和大規模部署神經網路。您還可以使用 AWS 深度學習 AMI，為深度學習建置自訂環境和工作流程。建立免費的 AWS 帳戶，立即開始使用！
