深度学习 Deep Learning
深度学习（Deep Learning，简称 DL）是一种人工智能（AI）方法，用于教计算机用受人脑启发的方式处理数据。深度学习模型可以识别图片、文本、声音和其他数据中的复杂模式，从而生成准确的见解和预测。
深度学习的作用
深度学习在汽车、航空航天、制造、电子、医学研究和其他领域有很多使用场景。以下是深度学习的一些示例：
- 自动驾驶汽车使用深度学习模型自动检测路标和行人。
- 国防系统使用深度学习在卫星图像中自动标记感兴趣的区域。
- 医学图像分析使用深度学习自动检测癌细胞以进行医学诊断。
- 工厂使用深度学习应用程序自动检测人员或物体何时位于机器的不安全距离内。
这些不同的深度学习使用场景可以被分为四大类：计算机视觉 (Computer vision) 、语音识别 (Speech recognition) 、自然语言处理 (NLP) 和推荐引擎 (Recommendation engines) 。
计算机视觉
计算机视觉是指计算机从图像和视频中提取信息及见解的能力。计算机可以使用深度学习技术来理解图像。计算机视觉具有多种应用，如下所示：
- 内容审核，用于在图像和视频归档中自动删除不安全或不适当的内容
- 面部识别，用于识别面部和多项属性，如睁开的眼睛、眼镜以及面部毛发
- 图像分类，用于识别品牌徽标、服装、安全装备和其他图像细节
语音识别
深度学习模型可以分析人类语音，尽管说话模式、音调、语气、语言和口音不尽相同。虚拟助手（如 Amazon Alexa）和自动转录软件使用语音识别执行以下任务：
- 帮助呼叫中心座席并对呼叫进行自动分类。
- 将临床对话实时转换为文档。
- 为视频和会议记录添加准确的字幕以实现更广泛的内容覆盖范围。
自然语言处理
计算机使用深度学习算法从文本数据和文档中收集见解和意义。这种处理自然的、人工创建的文本的能力有几个使用场景，包括在以下功能中：
- 自动虚拟座席和聊天机器人
- 自动总结文件或新闻文章
- 长格式文档（如电子邮件和表格）的业务情报分析
- 用于表示情绪（如社交媒体上的正面和负面评论）的关键短语索引
推荐引擎
应用程序可以使用深度学习方法来跟踪用户活动并开发个性化推荐。它们可以分析各种用户的行为，并帮助他们发现新产品或服务。例如，许多媒体和娱乐公司，例如 Netflix 、 Fox 和 Peacock，都使用深度学习来提供个性化的视频推荐。
深度学习的运作流程
深度学习算法模仿了人脑的神经网络。例如，人脑包含数百万个相互连接的神经元，它们一起工作来学习和处理信息。同样，深度学习神经网络或人工神经网络由多层人工神经元组成，这些神经元在计算机内部协同工作。
人工神经元是称为节点的软件模块，它使用数学计算来处理数据。人工神经网络是使用这些节点来解决复杂问题的深度学习算法。
深度学习网络的组件组成
深度神经网络的组件分为输入层、隐藏层和输出层：
- 输入层：人工神经网络有多个向其中输入数据的节点。这些节点构成了系统的输入层。
- 隐藏层：输入层处理数据并将其传递到神经网络中的进一步层。这些隐藏层在不同级别处理信息，在接收新信息时调整其行为。深度学习网络具有数百个隐藏层，可用于从多个不同角度分析问题。
- 输出层：输出层由输出数据的节点组成。输出 “是” 或 “否” 答案的深度学习模型在输出层中只有两个节点。另一方面，那些输出更广泛答案的节点拥有更多节点。