本文將帶您了解深度學習的工作原理與相關案例。

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、視頻或文本等數據中學習表征，無需引入人類領域的知識。深度學習中的“深度”一詞表示用于識別數據模式的多層算法或神經網絡。DL 高度靈活的架構可以直接從原始數據中學習，這類似于人腦的運作方式，獲得更多數據后，其預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中實現高精密和高準確性的主要技術。近期，它也在 AI 領域實現了許多突破，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網絡(ANN)，這是由輸入和輸出之間節點的幾個“隱藏層”組成的網絡。

人工神經網絡通過將非線性函數應用于輸入值的加權求和，以此轉換輸入數據。該轉換叫作神經層，該函數則稱為神經元。

層的中間輸出稱為特征，會用作下一層的輸入。神經網絡會通過重復轉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（對更復雜物體的）預測。

在一個稱為梯度下降的過程中，通過反向傳播，錯誤會再次通過網絡發送回來，并調整權重，從而改進模型。神經網絡的學習方式是，改變網絡的權重或參數以便將神經網絡的預測值與期望值之差降至最低。此過程會重復數千次，根據生成的錯誤調整模型的權重，直到錯誤不能再減少。我們將人工神經網絡從數據中學習的這一階段稱為訓練。 在此過程中，層會學習模型的優化特征，而該模型的優勢是特征不需要預先確定。

深度學習用例

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

深度學習正在應用于自動駕駛汽車、智能私人助理和更智能的網絡服務。先進的團隊和組織都在使用欺詐檢測和供應鏈現代化等深度學習應用程序。

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網絡稱為前饋人工神經網絡。多層感知器 (MLP) 是一種前饋 ANN，由至少三層節點組成：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測。它們是可應用于各種場景的靈活網絡。

卷積神經網絡是識別物體的圖像處理器。在某些情況下，CNN 圖像識別表現優于人類，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域的點睛之筆。在醫療健康方面，它們可以加快醫學成像發現疾病的速度，并且更快速地挽救生命。

時間遞歸神經網絡是解析語言模式和序列數據的數學工具。

這些網絡正在推動一場基于語音的計算革命，并為Amazon Alexa、Google Assistant 和 Apple Siri 提供能夠實現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見性魔力，可以自行填寫搜索查詢中的行。

RNN 應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據中接下來的變化。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進行優化，并運行在 NVIDIA Triton推理服務器上，以檢測欺詐。

深度學習為何對研究人員和數據科學家至關重要

借助 NVIDIA GPU 加速的深度學習框架，研究人員和數據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，開發者可依靠面向云、嵌入式設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網絡實現高性能、低延遲的推理。

面向開發者的 NVIDIA 深度學習

GPU 加速深度學習框架能夠為設計和訓練自定義深度神經網絡帶來靈活性，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。