為什麼神經網路很重要？
神經網路可協助電腦在有限人類協助下做出智慧的決策。這是因為他們可以學習和建模非線性和複雜的輸入與輸出資料之間的關係。例如，他們可以執行下列任務。
進行概括和推論
神經網路可以理解非結構化資料，並在沒有明確訓練的情況下進行一般性觀察。例如，他們可以識別兩個不同的輸入句子具有相似的含義：
- 您能告訴我如何付款嗎？
- 如何轉帳？
神經網路會知道這兩個句子的意思是相同的。或者它可以大致識別 Baxter Road 是一個地方，而 Baxter Smith 是一個人名。
神經網路的作用是什麼？
神經網路在許多產業都具有若干使用案例，例如：
- 透過醫學影像分類進行醫學診斷
- 透過社交網路篩選和行為資料分析進行定向行銷
- 透過處理金融工具的歷史資料進行金融預測
- 電力負載和能源需求預測
- 程序和品質控制
- 化合物識別
我們在下面給出了神經網路的四個重要應用。
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。藉助神經網路，電腦可以區分和識別與人類相似的影像。電腦視覺有多種應用，例如：
- 自動駕駛汽車中的視覺識別，因此它們可以識別道路標誌和其他道路使用者
- 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
- 影像標籤，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，神經網路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
自然語言處理 (NLP) 是處理自然、人工建立文字的功能。神經網路可協助電腦從文字資料和文件中收集洞察和意義。NLP 具有若干使用案例，包括以下功能：
- 自動化虛擬客服人員和聊天機器人
- 書面資料的自動整理和分類
- 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
- 指定主題的文件摘要和文章產生
推薦引擎
神經網路可以追蹤使用者活動，以開發個人化推薦。他們還可以分析所有使用者的行為，並探索特定使用者感興趣的新產品或服務。例如，總部位於費城的新創公司 Curalate 可協助品牌將社交媒體帖子轉化為銷售。品牌使用 Curalate 的智慧產品標記 (IPT) 服務，來自動收集和管理使用者產生的社交內容。IPT 使用神經網路，來自動尋找和推薦與使用者社交媒體活動相關的產品。消費者不必透過線上目錄，即可尋找社交媒體影像中的特定產品。而是可以使用 Curalate 的自動產品標記，來輕鬆購買產品。
神經網路的運作方式如何？
人腦是神經網路架構背後的靈感來源。人類的腦細胞，稱為神經元，形成一個複雜、高度互聯的網路，並相互傳送電訊號以協助人類處理資訊。同樣，人工神經網路是由人工神經元組成，它們共同協作以解決問題。人工神經元即軟體模組，稱為節點，人工神經網路是軟體程式或演算法，其核心是使用運算系統來解決數學運算。
簡單的神經網路架構
一個基本的神經網路透過三層來使人工神經元互連：
輸入層
來自外界的資訊從輸入層進入人工神經網路。輸入節點對資料進行處理，對其進行分析或分類，並將其傳遞至下一層。
隱藏層
隱藏層從輸入層或其他隱藏層取得輸入。人工神經網路可以有大量的隱藏層。每個隱藏層分析前一層的輸出，進一步處理，並將其傳遞給下一層。
輸出層
輸出層給出人工神經網路所有資料處理的最終結果。它可以有一個或多個節點。例如，如果我們有一個二元 (是/否) 分類問題，輸出層將有一個輸出節點，其結果為 1 或 0。但是，如果我們有一個多類別分類問題，則輸出層可能包含多個輸出節點。
深度神經網路架構
深度神經網路或深度學習網路具有數百萬個連結在一起的人工神經元隱藏層。其中的數字稱為權重，表示一個節點與另一個節點之間的連線。如果一個節點激發另一個節點，則權重為正數，如果一個節點抑制另一個節點，則權重為負數。節點權重值越高，對其他節點的影響越大。
理論上，深度神經網路可以將任何輸入類型映射至任何輸出類型。然而，相較於其他機器學習方法，它們還需要更多訓練。他們需要數百萬個訓練資料範例，而不是簡單網路可能需要的數百個或數千個。
.ac2f31378926b5f99a4ba9d741c4aebe3b7a29e2.png)
神經網路有哪些類型？
人工神經網路可以根據資料從輸入節點流向輸出節點的方式進行分類。以下是一些範例：
前饋神經網路
前饋神經網路從輸入節點到輸出節點，在一個方向上處理資料。一層中的每個節點會連線至下一層中的每個節點。回饋網路使用反饋程序，隨時間推移改善預測。
反向傳播演算法
人工神經網路透過使用糾正回饋迴圈來不斷學習，以改善其預測分析。簡單來說，您可以認為資料透過神經網路中的許多不同路徑，從輸入節點流向輸出節點。只有一條路徑是正確的，即將輸入節點映射至正確的輸出節點。為了找到這條路徑，神經網路使用一個回饋迴圈，其運作方式如下：
- 每個節點都會猜測路徑中的下一個節點。
- 它會檢查猜測是否正確。節點將較高的權重值指派給導向更正確猜測的路徑，將較低的權重值指派給導向錯誤猜測的節點路徑。
- 針對下一個資料點，節點使用更高權重的路徑進行新的預測，然後重複步驟 1。
卷積神經網路
卷積神經網路中的隱藏層會執行特定的數學函數，例如彙總或篩選，稱為卷積。它們對於影像分類非常有用，因為可以從影像中擷取對影像識別和分類有用的相關特徵。新表單更容易處理，而不會遺失對做出良好預測至關重要的特徵。每個隱藏層會擷取和處理不同的影像特徵，如邊緣、顏色和深度。
如何訓練神經網路？
神經網路訓練是指導神經網路執行任務的程序。神經網路透過最初處理若干大型標記或未標記的資料集來進行學習。透過使用這些範例，它們可以更準確地處理未知輸入。
監督學習
在監督學習中，資料科學家為人工神經網路提供標記資料集，提前提供正確答案。例如，面部識別中的深度學習網路訓練最初會處理數十萬張人類面部影像，其中包含與種族、國家/地區或情感相關的各種術語來描述每張影像。
神經網路緩慢地從這些資料集中建置知識，智慧提前提供正確的答案。網路經過訓練後，開始猜測其之前從未處理過的人類面部影像的種族起源或情感。
什麼是神經網路背景下的深度學習？
人工智慧是電腦科學領域，研究讓機器能夠執行需要人類智慧的任務的方法。機器學習是一種人工智慧技術，讓電腦能夠存取非常大型的資料集，並指導其這些資料中進行學習。機器學習軟體在現有資料中發現模式，並將這些模式套用至新資料，以做出明智決策。深度學習是機器學習的子集，其使用深度學習網路來處理資料。
機器學習與深度學習
傳統的機器學習方法需要人工輸入，才能使機器學習軟體充分發揮作用。資料科學家會手動確定軟體必須分析的相關特徵集。這限制了軟體的能力，使得建立和管理變得乏味。
另一方面，在深度學習中，資料科學家只向軟體提供原始資料。深度學習網路自行推導出特徵，並更獨立地學習。它能夠分析文字文件等非結構化資料集，確定優先考慮哪些資料屬性，並解決更複雜的問題。
例如，如果您正在訓練機器學習軟體以正確識別寵物的影像，則需採取以下步驟：
- 手動尋找並標記數千張寵物影像，如貓、狗、馬、倉鼠、鸚鵡等。
- 告訴機器學習軟體要尋找哪些特徵，以便透過消除來識別影像。例如，它可能會計算腿的數量，然後檢查眼睛的形狀、耳朵的形狀、尾巴、皮毛等等。
- 手動評估和變更標記的資料集，以提高軟體的準確性。例如，如果您的訓練集有太多黑貓圖片，軟體會正確識別出一隻黑貓而不是一隻白貓。
- 然而，在深度學習中，神經網路會處理所有影像，並自動確定它們需要先分析腿的數量和臉型，然後再查看尾巴以正確識別影像中的動物。
AWS 上有哪些深度學習服務？
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。您還可以使用以下 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 可建置智慧聊天機器人，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神經網路，快速輕鬆地建置、訓練和大規模部署模型。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！