什麼是深度學習？

深度學習( DL ) 是機器學習(ML) 的一個子領域，它使用的算法類似於人腦中使用神經元的方式。

深度學習根據人腦的工作方式創建人工神經網絡及其不同層級。

深度學習是一種 ... Skiptomaincontent 首頁 ReferenceCenter 字彙 什麼是深度學習？ 深度學習(DL)是機器學習(ML)的一個子領域，它使用的算法類似於人腦中使用神經元的方式。

深度學習根據人腦的工作方式創建人工神經網絡及其不同層級。

深度學習是一種機器學習技術，它可用於教會計算機一些我們人類可以輕鬆自然地做到的事情——通過我們遇到的例子來學習。

你可以在無人駕駛汽車中看到深度學習技術，它能夠區分紅燈和綠燈，從路邊區分人，甚至可以測量兩輛車之間的距離。

它是一種可以實現手機語音激活、電視人臉識別和個人設備手勢操作的技術。

近年來，深度學習受到了極大的關注，當然，這也是理所應當的。

深度學習的歷史 讓我們追溯它的起源，深度學習最早出現在1943年，當時WarrenMcCulloch和WalterPitts使用數學和算法創建了一個複制神經網絡的計算系統。

這項技術在1950年代、1960年代、1970年代和1980年代都取得了一些小的進步。

深度學習的最大發展發生在1999年，當時計算機處理速度和圖形處理單元得到發展。

在接下來的十年裡，笨拙和低效的系統變得快了1000倍。

直到2000年代中期，深度學習這個術語才開始在技術對話中不時出現。

當GeoffreyHinton和RuslanSalakhutdinov發表一篇論文解釋了如何訓練包含多層的神經網絡時（一次訓練一層），這個詞開始變得流行起來。

谷歌在2012年通過一種可以識別貓的算法將事情提升到一個新的水平。

它被稱為TheCatExperiment，它使用無監督學習向系統顯示10,000,000張貓的圖像，並訓練它識別貓。

這個算法取得了部分成功，比它的前輩好很多，但它識別的貓的比例依然不到所有貓的圖像的16%。

兩年後，谷歌隨後投資了英國的智能初創公司DeepMind，2016年，谷歌DeepMind的算法AlphaGo通過學習複雜的围棋創造了歷史，並在首爾的比賽中擊敗了職業人類棋手。

深度學習是機器學習的一個子領域，是一個通過研究自己的算法不斷學習和改進的領域。

深度學習的工作基於為模仿人類思維而創建的人工神經網絡。

直到最近，這些神經網絡的計算能力有限，導致複雜性有限。

隨著大數據分析的突飛猛進，神經網絡變得越來越複雜。

這導致計算機在觀察、學習和對複雜情況做出反應方面加快了步伐，有時神經網絡比人類的思維更快。

模型繼續使用大量標記數據和具有多個層的神經網絡進行訓練。

借助圖像分類、翻譯能力和語音識別技術，深度學習甚至可以在完全不需要人工幫助的情況下解碼模式識別。

嘗試TIBCODataScience-免費試用 使用TIBCODataScience在整個組織中實現機器學習的民主化、協作和操作。

免費試用 深度學習能實現什麼？ 深度學習是我們日常生活的一部分。

例如，當您在Facebook上上傳照片時，深度學習會通過自動標記您的朋友來幫助您。

如果您使用Siri、Cortana或Alexa等數字助理，自然語言處理和語音識別可以幫助它們為您服務。

在Skype上與您的國際客戶會面時，您可以實時收聽翻譯。

您的電子郵件服務提供商無需您親自識別垃圾郵件。

諸如此類的功能還有很多。

像谷歌這樣的巨頭多年來一直在利用深度學習，現在正致力於提供更高級的解決方案。

他們已經能夠生成模仿人類聲音的語音，並且可以通過語音系統獲得盡可能自然的聲音。

谷歌翻譯採用深度學習和圖像識別來進行語音翻譯和書面語言識別。

谷歌的PlaNet可以告訴你任何照片的拍攝地點，他們的TensorFlow已經生成了一系列人工智能(AI)應用程序。

現在有一系列行業將深度學習作為其運作的核心： 航空航天和國防 深度學習被廣泛用於幫助衛星識別特定物體或感興趣的區域，並將其分類為對士兵安全或不安全。

醫學研究 深度學習廣泛使用於醫學研究領域。

例如，在癌症研究中，深度學習可以用於自動檢測癌細胞的存在。

加州大學洛杉磯分校的研究人員創造了一種先進的顯微鏡，它可以使用高端數據來教授深度學習應用程序如何精確識別癌細胞。

深度學習的範圍最終將使醫學研究能夠創建針對個人基因組結構量身定制的個性化藥物。

工業自動化 重型機械行業是需要大量安全措施的行業。

深度學習通過檢測進入重型機器不安全範圍內的任何人或物體，確保此類環境中工人的安全。

聊天機器人和服務機器人 深度學習驅動著所有與客戶互動的聊天機器人和服務機器人，並使他們能夠為日益複雜的基於語音和文本的查詢提供智能答案。

這方面的技術目前正在不斷發展。

圖像著色 曾經需要手動完成且需要長時間完成的任務現在可以委託給計算機。

可以使用深度學習算法對黑白圖像進行著色，該算法能夠將圖像內容置於上下文中，並使用正確的顏色準確地重新創建它們。

面部識別 這種利用深度學習的功能不僅用於一系列安全目的，而且很快將支持在商店購買。

面部識別已經在機場廣泛使用，以實現無縫、無紙化登機。

深度學習將更進一步，使面部識別成為一種支付手段，即使在此人換過髮型或照明效果不佳的情況下也能精準識別。

深度學習如何運作？ 為了理解計算機如何使用深度學習，研究人員借鑒了一個類似的過程---幼兒試圖學習如何識別狗的過程。

蹣跚學步的孩子首先學會將圖片與成人所說的狗這個字聯繫起來。

孩子繼續將吠叫聲與狗聯繫起來。

然後孩子開始說這個字，可能會發出幾種錯誤的發音，直到他們最終理解了這個字。

同樣地，計算機程序具有層次結構，每個級別的算法對輸入應用一個級別的轉換（這是它所做的學習），並創建一個統計模型作為輸出的參考。

各種迭代（就像孩子學習識別狗一樣）被考慮在內，直到達到所需的準確度水平。

數據需要經過幾個層或特徵集才能達到最終級別，這就是導致這項技術被稱為“深度”學習的原因。

在兒童和受監督機器學習的情況下，每個級別都必須受到監督，並且指令必須具體。

對於孩子來說，它依賴於父母，對於ML，它基於定義識別狗的數據集的程序員或數據科學家的技能。

在深度學習的情況下，該程序可以更快、更準確地在沒有監督的情況下為自己構建特徵集。

一個孩子需要幾個月的時間才能對狗這個字建立正確的聯繫。

對於基於深度學習算法的計算機程序，這可以在幾分鐘內完成，因為它可以準確地掃描大量圖像並挑選出其中的狗。

為了達到並持續保持這樣的準確度水平，深度學習程序需要大量數據用於訓練和構建處理能力。

在雲計算和大數據到來之前，程序員很難實現這兩點。

現在有了足夠的數據，深度學習程序已經能夠使用自己的迭代驅動輸出創建複雜的分層模型。

他們能夠從大量非結構化原始數據中創建極其精確的預測模型。

展望未來，這將在實現物聯網(IoT)方面發揮重要作用，因為人類和機器產生的大部分數據都是非結構化的，因此最好由深度學習而不是人類來處理。

創建強大的深度學習方法 有多種方法可以創建強大的DL模型。

學習率衰減 這是一個超參數。

它可能是深度學習最重要的參數。

它確定模型在每次因子發生變化時，作為對估計誤差量的響應而改變自身的程度。

當學習率很高時，系統對於訓練過程變得太不穩定。

如果它們太低，則培訓時間超過所需時間的可能性就很高。

準確配置學習率衰減意味著學習率不斷適應，以提高性能能力，同時減少所需的訓練時間。

遷移學習 這個過程是讓一個模型對一個它已經知道的相關任務進行分析。

向現有網絡饋送未分類的新數據。

當調整到位時，任何新的任務都會以更好的分類能力來執行。

通過這種方法，所需的數據量減少了，從而也縮短了計算時間。

自下而上的訓練 在這種方法中，開發人員將聚合大量標記數據。

然後將配置網絡架構，以便它可以了解特徵和模型。

這種方法非常適用於創建新應用程序以及可能需要多個輸出的應用程序。

然而，由於需要大量數據，它仍然是較少使用的方法之一。

這增加了訓練所需的時間。

丟棄法 該方法解決了含大量參數的網絡中的過擬合問題。

過度擬合是指在訓練數據上開發的算法不適合真實數據。

就監督學習而言，丟棄法在提高神經網絡的性能方面表現良好，特別是在語音識別和文檔分類以及計算生物學領域。

深度學習極大地推動了人工智慧和機器學習領域。

深度學習的強項是，它具備剖析任務的能力，可以更容易地協助任何機器並使以前只能由人類完成的任務成為可能。

人工智慧必定是未來的熱門技術，在深度學習的幫助下，你在電影中看到的東西都可能在有生之年成為現實。

相關條款 數據科學 數據分析 使用TIBCO數據科學進行深度學習 了解更多 相關產品 _selfTIBCO®DataScience DeepLearningforAnomalyDetectioninManufacturing Inadynamicmanufacturingenvironment,itmaynotbeadequatetoonlylookforknownprocess... On-DemandWebinar DrivingDigitalTransformationUsingAIandMachineLearning “Acrossindustries,AIiscapturingpeople’simaginations.”—FernHalper,Ph.D.,V.P.andsenior... Whitepaper A9-StepRecipeforSuccessfulMachineLearning Successfulartificialintelligence(AI)andmachinelearning(ML)initiativesbringvaluetothe... Whitepaper tibco-cloud-tm SignIn TIBCOLogo Agloballeaderinenterprisedata,TIBCOempowersitscustomerstoconnect,unify,andconfidentlypredictbusinessoutcomes,solvingtheworld’smostcomplexdata-drivenchallenges. Copyright©2022TIBCOSoftwareInc.AllRightsReserved.TIBCOfollowstheEUStandardContractualClausesasperTIBCO'sDataProcessingAgreement. tibco-cloud-tm SignIn