1-什么是深度学习？
简而言之，深度学习是机器学习的一个子集，它教会机器做人类与生俱来的事情：通过实例学习。 尽管该技术通常被认为是一组“模仿大脑”的算法，但更恰当的描述是一组“分层学习”的算法。 它涉及层层学习，使计算机能够从更简单的概念中发展出复杂概念的层次结构。
在深度学习中，模型学习直接从文本、声音或图像执行任务，并且可以达到令人难以置信的准确性，有时甚至超过人类水平的表现。
深度学习是许多高端创新背后的核心技术，例如无人驾驶汽车、平板电脑、智能手机、免提扬声器等设备中的语音控制等等。 它提供了以前甚至使用传统机器学习技术都无法实现的结果。在过去的几年中，您可能已经观察到深度学习等高科技概念的出现，以及一些大型组织对它的采用。 很自然地想知道为什么深度学习已成为全球企业主关注的焦点。 在这篇文章中，我们将仔细研究深度学习，并试图找出其日益流行背后的关键原因。
2- 深度学习在真实场景中的例子
大量行业正在使用深度学习来发挥其优势。 让我们来看看其中的几个。
电子：深度学习被用于自动语音翻译。 您可以考虑响应您的声音并了解您的偏好的家庭辅助设备。
自动驾驶：在深度学习的帮助下，汽车研究人员现在能够自动检测交通信号灯、停车标志等物体。 他们还使用它来检测有助于减少事故的行人。
医学研究：癌症研究人员正在使用深度学习来自动检测癌细胞。1- 什么是深度学习？
简而言之，深度学习是机器学习的一个子集，它教会机器做人类与生俱来的事情：通过实例学习。 尽管该技术通常被认为是一组“模仿大脑”的算法，但更恰当的描述是一组“分层学习”的算法。 它涉及层层学习，使计算机能够从更简单的概念中发展出复杂概念的层次结构。
在深度学习中，模型学习直接从文本、声音或图像执行任务，并且可以达到令人难以置信的准确性，有时甚至超过人类水平的表现。
深度学习是许多高端创新背后的核心技术，例如无人驾驶汽车、平板电脑、智能手机、免提扬声器等设备中的语音控制等等。 它提供了以前甚至使用传统机器学习技术都无法实现的结果。在过去的几年中，您可能已经观察到深度学习等高科技概念的出现，以及一些大型组织对它的采用。 很自然地想知道为什么深度学习已成为全球企业主关注的中心。 在这篇文章中，我们将仔细研究深度学习，并试图找出其日益流行背后的关键原因。
3- 深度学习模型如何运作？
大多数深度学习方法都使用神经网络架构，这就是深度学习模型也被广泛称为深度神经网络的原因。 深度学习过程包括两个关键阶段——训练和推理。 训练阶段可以看作是对海量数据进行标注并识别其匹配特征的过程。 在这里，系统比较这些特征并记住它们，以便在下次遇到类似数据时得出正确的结论。 在推理阶段，模型借助先前获得的知识得出结论并标记未公开的数据。
在深度学习模型的训练过程中，专业人员使用大量标记数据和神经网络架构，这些架构直接从数据中学习特征，而不需要手动完成特征提取。
4- 如何创建和训练深度学习模型？
专业人士以三种最流行的方式使用深度学习来执行对象分类。 让我们来看看它们。
迁移学习：大多数深度学习都在使用迁移学习方法，这是一个涉及微调预训练模型的过程。 例如，您从现有网络开始，输入包含以前未知类的新数据。 对网络进行一些修改后，您可以执行一项新任务，例如仅对猫或狗进行分类，而不是对 1000 个不同的对象进行分类。 这种方法还具有需要更少数据的优势，因此计算时间显着减少。
从头开始训练：为了从头开始训练深度学习网络，除了设计将学习特征和模仿的网络架构之外，您还需要捕获一个非常大的标记数据集。 这种方法对于新应用程序或具有相对大量输出类别的应用程序是有效的。 这是一种相对不太受欢迎的方法，因为随着学习速度和大量数据的增加，网络通常需要更多的时间来训练。
特征提取：这是一种更专业、稍微不常见的深度学习方法，其中网络用作特征提取器。 在这里，所有的层都被分配来从图像中学习特定的特征，因此，在训练过程中，这些特征可以随时从网络中提取出来。 然后可以将这些特征用作机器学习模型的输入。3- 深度学习模型如何工作？
大多数深度学习方法都使用神经网络架构，这就是深度学习模型也被广泛称为深度神经网络的原因。 深度学习过程包括两个关键阶段——训练和推理。 训练阶段可以看作是对海量数据进行标注并识别其匹配特征的过程。 在这里，系统比较这些特征并记住它们，以便在下次遇到类似数据时得出正确的结论。 在推理阶段，模型借助先前获得的知识得出结论并标记未公开的数据。
在深度学习模型的训练过程中，专业人员使用大量标记数据和神经网络架构，这些架构直接从数据中学习特征，而不需要手动完成特征提取。
5-深度学习与传统机器学习的区别
尽管深度学习是作为机器学习的一种方法而发展起来的，但由于某些原因，如今人们的注意力主要转移到了深度学习上。 传统的机器学习是指从加载到机器中的大型数据集中提取知识的过程。 专业人员制定规则并纠正机器所犯的错误。 这种方法消除了深度学习中经常出现的过度训练的负面影响。
在传统的机器学习中，为机器提供训练数据和示例以帮助其做出正确的决策。 换句话说，在传统的机器学习方法中，机器可以解决大量任务，但如果没有人的控制，它就无法执行这些任务。 让我们来看看传统机器学习和深度学习之间的区别。
深度学习模型能够自行创建新特征，而在传统的机器学习方法中，特征需要用户准确识别。
在深度学习中，问题是在端到端的基础上解决的，而在机器学习中，任务被分成小块，然后将收到的结果组合成一个结论。
深度学习概念暗示，只要有可能，机器就会在当前时间自行开发其功能。
6- 五个使用深度学习的主要优势
您可能会问，为什么大量的技术巨头正在稳步采用深度学习。 要了解原因，我们必须看看使用深度学习方法可以获得的优势。 以下是使用该技术的五个主要优势。
6.1- 非结构化数据的最大利用
Gartner 的研究表明，组织的很大一部分数据是非结构化数据，因为其中大部分数据以图片、文本等不同类型的格式存在。对于大多数机器学习算法来说，很难分析非结构化数据，这意味着它仍然存在 未被利用，而这正是深度学习变得有用的地方。
您可以使用不同的数据格式来训练深度学习算法，并且仍然可以获得与训练目的相关的见解。 例如，您可以使用深度学习算法来发现行业分析、社交媒体聊天等之间的任何现有关系，以预测给定组织即将到来的股票价格。
6.2- 消除对特征工程的需求
在机器学习中，特征工程是一项基础工作，因为它可以提高准确性，有时该过程可能需要有关特定问题的领域知识。 使用深度学习方法的最大优势之一是它能够自行执行特征工程。 在这种方法中，算法扫描数据以识别相关的特征，然后将它们组合起来以促进更快的学习，而无需明确告知这样做。 此功能可帮助数据科学家节省大量工作。
6.3- 提供高质量结果的能力
人类会饿或累，有时会犯粗心的错误。 对于神经网络，情况并非如此。 一旦经过适当的训练，与人类相比，深度学习模型能够在相对较短的时间内执行数以千计的常规、重复性任务。 此外，工作质量永远不会降低，除非训练数据包含不代表您要解决的问题的原始数据。
6.4- 消除不必要的成本
召回是非常昂贵的，对于某些行业而言，召回可能会使组织损失数百万美元的直接成本。 借助深度学习，可以检测到难以训练的主观缺陷，如轻微的产品标签错误等。
深度学习模型还可以识别否则难以检测到的缺陷。
当一致的图像由于不同原因变得具有挑战性时，深度学习可以解释这些变化并学习有价值的特征以使检查稳健。
6.5- 消除数据标签的需要
数据标记可能是一项昂贵且耗时的工作。 通过深度学习方法，对标记良好的数据的需求变得过时，因为算法擅长在没有任何指导的情况下进行学习。 其他类型的机器学习方法远不如此类学习成功。
最后的想法
牢记以上以及使用深度学习方法的更多优势，可以说在未来体验深度学习对高级系统架构或物联网等不同高端技术的影响是显而易见的。 我们可以期待看到对互联和智能产品和服务的更大商业领域做出更多有价值的贡献。
如今，深度学习已经从仅仅是一种趋势走了很长一段路，它正迅速成为一项关键技术，被多个行业的一系列企业稳步采用。
