本文將帶您了解深度學習的工作原理與相關(guān)案例。

什么是深度學習？

深度學習是機器學習的一個子集，與眾不同之處在于，DL 算法可以自動從圖像、視頻或文本等數(shù)據(jù)中學習表征，無需引入人類領(lǐng)域的知識。深度學習中的“深度”一詞表示用于識別數(shù)據(jù)模式的多層算法或神經(jīng)網(wǎng)絡(luò)。DL 高度靈活的架構(gòu)可以直接從原始數(shù)據(jù)中學習，這類似于人腦的運作方式，獲得更多數(shù)據(jù)后，其預(yù)測準確度也將隨之提升。

此外，深度學習是在語音識別、語言翻譯和物體檢測等任務(wù)中實現(xiàn)高精密和高準確性的主要技術(shù)。近期，它也在 AI 領(lǐng)域?qū)崿F(xiàn)了許多突破，包括 Google DeepMind 的 AlphaGo、自動駕駛汽車、智能語音助手等成果。

深度學習的工作原理

深度學習使用多層人工神經(jīng)網(wǎng)絡(luò)(ANN)，這是由輸入和輸出之間節(jié)點的幾個“隱藏層”組成的網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)通過將非線性函數(shù)應(yīng)用于輸入值的加權(quán)求和，以此轉(zhuǎn)換輸入數(shù)據(jù)。該轉(zhuǎn)換叫作神經(jīng)層，該函數(shù)則稱為神經(jīng)元。

層的中間輸出稱為特征，會用作下一層的輸入。神經(jīng)網(wǎng)絡(luò)會通過重復(fù)轉(zhuǎn)換來學習多層非線性特征（比如邊緣和形狀），之后會在最后一層匯總這些特征以生成（對更復(fù)雜物體的）預(yù)測。

在一個稱為梯度下降的過程中，通過反向傳播，錯誤會再次通過網(wǎng)絡(luò)發(fā)送回來，并調(diào)整權(quán)重，從而改進模型。神經(jīng)網(wǎng)絡(luò)的學習方式是，改變網(wǎng)絡(luò)的權(quán)重或參數(shù)以便將神經(jīng)網(wǎng)絡(luò)的預(yù)測值與期望值之差降至最低。此過程會重復(fù)數(shù)千次，根據(jù)生成的錯誤調(diào)整模型的權(quán)重，直到錯誤不能再減少。我們將人工神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中學習的這一階段稱為訓練。 在此過程中，層會學習模型的優(yōu)化特征，而該模型的優(yōu)勢是特征不需要預(yù)先確定。

深度學習用例

深度學習常用于計算機視覺、對話式 AI 和推薦系統(tǒng)等應(yīng)用。計算機視覺應(yīng)用使用深度學習從數(shù)字圖像和視頻中獲取知識。對話式 AI 應(yīng)用程序能夠幫助計算機通過自然語言實現(xiàn)理解和交流能力。推薦系統(tǒng)使用圖像、語言和用戶興趣來提供有意義且相關(guān)的搜索結(jié)果和服務(wù)。

深度學習正在應(yīng)用于自動駕駛汽車、智能私人助理和更智能的網(wǎng)絡(luò)服務(wù)。先進的團隊和組織都在使用欺詐檢測和供應(yīng)鏈現(xiàn)代化等深度學習應(yīng)用程序。

深度學習算法有許多不同的變體，比如以下幾種：

只將信息從一層向前饋送至下一層的人工神經(jīng)網(wǎng)絡(luò)稱為前饋人工神經(jīng)網(wǎng)絡(luò)。多層感知器 (MLP) 是一種前饋 ANN，由至少三層節(jié)點組成：輸入層、隱藏層和輸出層。MLP 擅長使用已標記的輸入進行分類預(yù)測。它們是可應(yīng)用于各種場景的靈活網(wǎng)絡(luò)。

卷積神經(jīng)網(wǎng)絡(luò)是識別物體的圖像處理器。在某些情況下，CNN 圖像識別表現(xiàn)優(yōu)于人類，包括識別貓、血液中的癌癥跡象以及 MRI 掃描影像中的腫瘤。CNN 已成為當今自動駕駛汽車、石油勘探和聚變能源研究領(lǐng)域的點睛之筆。在醫(yī)療健康方面，它們可以加快醫(yī)學成像發(fā)現(xiàn)疾病的速度，并且更快速地挽救生命。

時間遞歸神經(jīng)網(wǎng)絡(luò)是解析語言模式和序列數(shù)據(jù)的數(shù)學工具。

這些網(wǎng)絡(luò)正在推動一場基于語音的計算革命，并為Amazon Alexa、Google Assistant 和 Apple Siri 提供能夠?qū)崿F(xiàn)聽力和語音的自然語言處理的大腦。它們還為 Google 的自動完成功能提供了預(yù)見性魔力，可以自行填寫搜索查詢中的行。

RNN 應(yīng)用程序不僅限于自然語言處理和語音識別。其還可用于語言翻譯、股票預(yù)測和程序化交易。

為檢測金融欺詐，可以使用 RNN 對異常支出模式進行紅色標記，RNN 尤其擅長猜測一系列數(shù)據(jù)中接下來的變化。美國運通已部署基于深度學習的模型，這些模型已使用 NVIDIA TensorRT進行優(yōu)化，并運行在 NVIDIA Triton推理服務(wù)器上，以檢測欺詐。

深度學習為何對研究人員和數(shù)據(jù)科學家至關(guān)重要

借助 NVIDIA GPU 加速的深度學習框架，研究人員和數(shù)據(jù)科學家可顯著提升深度學習訓練的速度，只需幾小時就能完成之前需要幾天才能完成的訓練，而原先需要幾周才能完成的訓練只需幾天即可完成。準備好部署模型后，開發(fā)者可依靠面向云、嵌入式設(shè)備或自動駕駛汽車的 GPU 加速推理平臺，為計算密集型深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)高性能、低延遲的推理。

面向開發(fā)者的 NVIDIA 深度學習

GPU 加速深度學習框架能夠為設(shè)計和訓練自定義深度神經(jīng)網(wǎng)絡(luò)帶來靈活性，并為 Python 和 C/C++ 等常用編程語言提供編程接口。MXNet、PyTorch、TensorFlow 等廣泛使用的深度學習框架依賴于 NVIDIA GPU 加速庫，能夠提供高性能的多 GPU 加速訓練。