什么是深度学习?

深度学习是机器学习的一种类型,所使用的算法旨在以模拟人脑的方式运作。

与 AI 和机器学习的关系

深度学习是机器学习 (ML) 的一个分支,而机器学习是人工智能 (AI) 的一个分支。AI 的概念始于 20 世纪 50 年代,旨在使计算机能够以类似于人类的方式进行思考和推理。为了使机器能够思考,ML 专注于研究如何使它们在无需精确编程的情况下进行学习。深度学习超越了 ML,构建了更复杂的层次模型,旨在模拟人类学习新信息的方式。

神经网络推动深度学习

在 AI 和 ML 中,模型是一种数学算法,若是面对同样的信息,经过训练的模型可得出与人类专家相同的结果或预测。在深度学习中,算法的灵感来自于人脑结构,因此称之为神经网络。这些神经网络由互连的网络交换机构建而成,旨在学习如何以与人脑和神经系统相同的方式识别模式。

深度学习推动未来发展

AI 领域最近取得的多项进展都是通过深度学习实现的。从流媒体服务的推荐功能到语音助理技术,再到自动驾驶,要想在几乎没有人类干预的情况下处理海量数据,具备识别模式能力以及针对多种不同类型信息的分类能力至关重要。

深度学习如何运作?

虽然 AI 的初衷是让机器完成一些需要人类智能才能完成的任务,但在随后的几十年间,这一想法得到了完善。Google 的 AI 研究员、机器学习软件库 Keras 之父 Francois Chollet 表示:“智能本身并不是技能,不是当前能做什么,而是学习新事物的能力和效率。”1

深度学习的重点在于改善机器学习新事物的过程。借助基于规则的 AI 和 ML,数据科学家可以确定要包含在模型中的规则和数据集特征,这决定了模型的运行方式。借助深度学习,数据科学家可以将原始数据输入算法中。然后,系统将对这些数据进行分析,而不会在其中预编程具体的规则或特征。系统做出预测后,即会对照另一组数据判定准确程度。这些预测的准确程度将有助于优化系统进行的下一组预测。

深度学习中的“深度”是指神经网络随着时间推移所积累的众多层次,而性能会随着网络的加深而不断提高。网络的每一层都会以特定方式处理输入的数据,然后用于优化下一层。上一层的输出会成为下一层的输入,以此类推。

深度学习网络的训练十分耗时,需要获取和测试大量数据,以便系统逐渐完善模型。神经网络的概念早在 20 世纪 50 年代便已形成,但是直到近几年,随着计算能力与数据存储功能的突飞猛进,深度学习算法才终于用来创造激动人心的新技术。例如,深度学习神经网络使计算机能够执行语音识别、计算机视觉、生物信息学和医疗影像分析等任务。

 

1. Lex Fridman 播客 #120,“François Chollet:智能水平的衡量”(François Chollet: Measures of Intelligence),2020 年 8 月。

深度学习与机器学习

尽管所有深度学习都属于机器学习,但并非所有机器学习都是深度学习。这两种技术都涉及使用测试数据进行训练,以便确定最适合数据的模型。然而,传统的机器学习方法需要一定程度的人力参与,以便在应用算法之前对数据进行预处理。

机器学习是人工智能的一个分支。目的在于让计算机有能力进行学习,使其无需特别编程即可提供某些输出。机器学习使用的算法有助于计算机学习如何识别事物。这种训练可能非常乏味,需要大量的人力投入。

深度学习算法在此基础上更进一步,创建了层次模型来反映人类大脑的思考过程。此算法采用的是多层神经网络,无需对输入数据进行预处理即可得出结果。数据科学家将原始数据输入算法后,系统将根据已知的信息以及可从新数据中推断出的信息来分析数据,进而做出预测。

深度学习的优势在于,它处理数据的方式是以基于简单规则的 AI 做不到的。此技术能够推动可观的业务成果,如改进欺诈检测、提高作物产量、提升仓库库存控制系统的准确性,以及诸多其他方面。

深度学习的当前应用

诸多行业的公司正在应用深度学习模型来解决各种用例挑战。以下是深度学习众多实际应用中的几例。

医疗保健:如今的医疗行业正在产生大量的数据。如果能够快速、准确地分析这些数据,则可以在诸多方面改善患者的治疗效果。深度学习算法正应用于医学研究、影像分析、疾病预防、引导药物研发和自然语言处理等领域,这对在电子病历 (EHR) 中填写自由文本临床笔记尤为有用。

制造:制造商需要以更快的速度、更低的成本提供更高质量的产品和服务。很多公司正在采用计算机辅助工程 (CAE) 来减少开发物理原型所需的时间、成本和材料,以便测试新产品。深度学习可用于为多维数据中极为复杂的模式建模,并提高测试数据的分析准确性。

金融服务:欺诈问题在很多行业都日益猖獗,但对金融服务提供商来说尤其如此。深度学习能够以极具成本效益的方式快速识别不符合特定模式的行为。深度学习模型所提供的洞见还有助于更准确地评估贷款申请人的信用风险、预测股票价值、自动执行后台操作以及为客户提供金融产品建议等。

公共部门:随着更多部门、系统和流程的数字化,政府机构可以利用深度学习来提高自动化程度,使公务员的工作更高效。执法部门可以借助图像检测和分类,更轻松地在公共场所找到相关人员。签证和移民申请可通过算法进行简化,实现某些处理的自动化。机场也在使用深度学习来提升安全性、加强运营并自动进行排队管理。深度学习模型甚至可用于预测交通状况,使地方当局能够积极采取措施来缓解道路拥堵。

携手 HPE 加速深度学习的采用

如今,对于任何规模的组织来说,深度学习解决方案都比以往更容易获得。从入门到优化再到扩展,HPE 可以助您加速数据洞见之旅,从而实现突破性创新。我们拥有基础设施构建基块、专业知识以及可靠的合作伙伴网络,能够满足您的业务目标。

破解深度学习的复杂性难题,打造理想的解决方案。HPE 行业领先的高性能计算、智能数据平台以及高速网络结构能够帮助您轻松部署深度学习,不受规模限制。HPE Pointnext Advisory and Professional Services 可提供专业知识和服务,将您的 AI 项目部署时间从几年缩短到几个月甚至几周,从而助您快速突破概念验证阶段。基于容器的解决方案 HPE Ezmeral ML Ops 可为机器学习生命周期的各个阶段提供支持,让您即时访问所需的 AI 工具和数据。

《HPE 深度学习指导手册》提供了一套工具来描述深度学习工作负载的特征,并可为任何给定的工作负载推荐最佳硬件/软件堆栈。《深度学习指导手册》所提供的建议是基于,我们在不同技术堆栈和分析性能模型上运行各种深度学习工作负载时所收集的大量性能结果。通过结合实际衡量结果和分析性能模型,我们能够预测任何工作负载的性能,并为该工作负载推荐最佳堆栈。

HPE 与 NVIDIA 强强联合,共同提供了领先的优化 AI 和深度学习解决方案产品组合。通过在线研讨会和讲师授课研讨会、参考架构,以及有关 NVIDIA GPU 加速应用的基准测试,我们共同推动了深度学习的应用。凭借久经验证的专业知识、规模最大的深度学习生态系统以及 AI 软件框架,我们的解决方案在一众产品当中脱颖而出。