人工智能中的深度学习是什么？
深度学习是一种人工智能（AI）方法，可以训练计算机以受人脑启发的方式处理数据。深度学习模型可以识别复杂的图片、文本、声音和其他数据模式，从而生成准确的见解和预测。您可以使用深度学习方法自动执行通常需要人工智能完成的任务，例如描述图像或将声音文件转录为文本。
为什么深度学习很重要？
深度学习技术推动了日常产品中使用的许多人工智能应用程序的发展，例如：
- 聊天机器人和代码生成器
- 数字助理
- 声控电视遥控器
- 欺诈检测
- 自动面部识别
这也是自动驾驶汽车、虚拟现实等技术的重要组成部分。企业使用深度学习模型在各种应用程序中分析数据并做出预测。
什么是深度学习使用案例？
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。
- 自动驾驶汽车使用深度学习模型进行物体检测。
- 国防系统使用深度学习在卫星图像中标记感兴趣的区域。
- 医学图像分析使用深度学习检测癌细胞以进行医学诊断。
- 工厂使用深度学习应用程序检测人员或物体何时位于机器的不安全距离内。
您可以将这些不同的深度学习使用案例分为五大类：计算机视觉、语音识别、自然语言处理（NLP）、推荐引擎和生成式人工智能。
计算机视觉
计算机视觉从图像和视频中自动提取信息和见解。可以使用深度学习技术来理解图像，就像人类一样。计算机视觉具有多种应用，如下所示：
- 内容审核，用于从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。Amazon Alexa、 文字转语音和 语音转文本软件等虚拟助手使用语音识别来完成以下任务：
- 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。
- 将脚本转换为提示以提供智能语音协助。
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的使用案例如下：
- 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。这些应用程序可以分析用户行为，并帮助用户发现新产品或新服务。例如，
- 推荐个性化视频和内容。
- 推荐定制产品和服务。
- 筛选搜索结果，根据用户位置和行为突出显示相关内容
生成式人工智能
生成式人工智能应用程序可以创建新内容并更精准地与最终用户进行通信。这些应用程序可以协助自动化复杂的工作流程、集思广益和智能知识搜索。例如，使用 Amazon Q 企业版和 Amazon Q 开发者版等生成式人工智能工具，用户可以
- 提出自然语言问题并从多个内部知识来源获得简要答案。
- 获取代码建议以及自动代码扫描和升级。
- 更快地创建新文档、电子邮件和其他营销内容。
深度学习网络有哪些组成部分？
深度神经网络的组成部分如下：
输入层
人工神经网络有几个向其输入数据的节点。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更远的层。这些隐藏层在不同层级处理信息，在接收新信息时调整其行为。深度学习网络有数百个隐藏层，可用于从多个不同角度分析问题。
例如，如果您得到了一张必须分类的未知动物的图像，则可以将其与您已经认识的动物进行比较。例如，您可以查看其眼睛和耳朵的形状、大小、腿的数量和毛皮花色。您可以尝试识别图样，如下所示：
- 动物有蹄，所以它可能是牛或鹿。
- 动物有猫眼，所以它可能是某种类型的野猫。
深度神经网络中的隐藏层以相同的方式工作。如果深度学习算法试图对动物图像进行分类，则其每个隐藏层都会处理动物的不同特征并尝试对其进行准确的分类。
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。那些输出更广泛答案的模型则有更多的节点。
深度学习的工作原理
深度学习模型是根据人脑设计的神经网络。人脑包含数百万个相互关联的生物神经元，这些神经元可以协同工作以学习和处理信息。同样，人工神经元是称为节点的软件模块，通过数学计算来处理数据。深度学习神经网络或人工神经网络是由协同处理复杂问题的多层人工神经元组成。
深度神经网络的组成部分如下：
输入层
人工神经网络有几个向其输入数据的节点。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更远的层。这些隐藏层在不同层级处理信息，在接收新信息时调整其行为。深度学习网络有数百个隐藏层，可用于从多个不同角度分析问题。
例如，如果您得到了一张必须分类的未知动物的图像，则可以将其与您已经认识的动物进行比较。例如，您可以查看其眼睛和耳朵的形状、大小、腿的数量和毛皮花色。您可以尝试识别图样，如下所示：
- 动物有蹄，所以它可能是牛或鹿。
- 动物有猫眼，所以它可能是只野猫。
深度神经网络中的隐藏层以相同的方式工作。如果深度学习算法试图对动物图像进行分类，则其每个隐藏层都会处理动物的不同特征并尝试对其进行准确分类。
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。那些输出更广泛答案的模型则有更多的节点。生成式人工智能具有复杂的输出层，可以生成与其训练数据集模式相匹配的新数据。
机器学习背景下的深度学习是什么？
深度学习是机器学习的子集。深度学习算法的出现是为了提高传统的机器学习技术的效率。传统的机器学习方法需要大量的人力来训练软件。例如，在动物图像识别中，您需要执行以下操作：
- 手动标记数十万张动物图像。
- 让机器学习算法处理这些图像。
- 在一组未知图像上测试这些算法。
- 找出某些结果不准确的原因。
- 通过标注新图像来改进数据集，以提高结果准确性。
这个过程称为有监督学习。在有监督学习中，只有当您拥有广泛且充分多样化的数据集时，结果准确性才会提高。例如，该算法可能可以准确识别黑猫，但不能准确识别白猫，因为训练数据集包含更多黑猫图像。在这种情况下，您需要标记更多的白猫图像并再次训练机器学习模型。
机器学习、深度学习和生成式人工智能有什么区别？
机器学习、深度学习和生成式人工智能这些术语证明了神经网络技术的进步。
机器学习
深度学习是机器学习的一个子集。深度学习算法的出现是为了提高传统机器学习技术的效率。传统的机器学习方法需要大量的人力来训练软件。例如，在动物图像识别中，您需要执行以下操作：
- 手动标记数十万张动物图像。
- 让机器学习算法处理这些图像。
- 在一组未知图像上测试这些算法。
- 找出某些结果不准确的原因。
- 通过标注新图像来改进数据集，以提高结果准确性。
这个过程称为有监督学习。在有监督学习中，只有拥有广泛且充分多样化的数据集时，结果准确性才会提高。例如，该算法可能可以准确识别黑猫，但不能准确识别白猫，因为训练数据集包含更多黑猫图像。在这种情况下，您将需要更多的白猫图像的标签数据来再次训练机器学习模型。
与机器学习相比，深度学习的优势
与传统的机器学习相比，深度学习网络具有以下优势：
高效处理非结构化数据
机器学习方法发现非结构化数据（如文本文档）难以处理，因为训练数据集可能有无限种变化。另一方面，深度学习模型可以理解非结构化数据并进行一般观察，而无需手动提取特征。例如，神经网络可以识别出这两个不同的输入句子具有相同的含义：
- 您能否告诉我如何付款？
- 我如何转账？
隐藏的关系和模式发现
深度学习应用程序可以更深入地分析大量数据，并揭示可能尚未对其进行过训练的新见解。例如，考虑一个经过训练以分析消费者购买的深度学习模型。该模型仅包含您已购买的商品的数据。但是，通过对比您和其他类似客户的购买模式，人工神经网络可以向您推荐您尚未购买的新品。
无监督学习
深度学习可以根据用户行为进行学习，并随时间推移进行改进。它们不需要大量不同版本的标注数据集。例如，考虑通过分析您的键入行为自动更正或推荐词汇的神经网络。假设使用英语训练该模型，因此可对英语词汇进行拼写检查。但是，如果您经常键入非英语词汇，如 danke，神经网络也可以自动学习和更正这些词汇。
易失性数据处理
易失性数据集具有各种不同的版本。银行的贷款还款额就是其中的一个例子。深度学习神经网络可以对这些数据进行分类和排序，例如通过分析金融交易并标记其中部分交易以进行欺诈检测。
生成式人工智能
生成式人工智能将机器学习和深度学习的神经网络提升到了一个新的水平。机器学习和深度学习侧重于预测和模式识别，而生成式人工智能则根据其检测到的模式产生特殊输出。在转换器架构上构建了生成式人工智能技术，该架构结合了多种不同的神经网络，以独特的方式组合数据模式。深度学习网络首先将文本、图像和其他数据转换为数学抽象，然后将其重新转换为有意义的新模式。
深度学习面临哪些挑战？
实施深度学习和生成式人工智能所面临的挑战如下文所示。
大量高质量的数据
在大量高质量数据上训练深度学习算法时，可以获得更好的效果。输入数据集中的异常值或错误会显著影响深度学习过程。例如，在我们的动物图像示例中，如果数据集中意外引入了非动物图像，深度学习模型可能会将飞机归类为海龟。
为避免此类错误，必须先清理和处理大量数据，然后再训练深度学习模型。输入数据预处理需要大量的数据存储容量。
处理能力强
深度学习算法是计算密集型的，需要具有足够计算能力的基础设施才能正常运行。否则，它们需要很长的时间来处理结果。
深度学习相对于机器学习有什么好处？
与传统的机器学习相比，深度学习网络具有以下优势：
高效处理非结构化数据
机器学习方法发现非结构化数据（如文本文档）难以处理，因为训练数据集可能有无限种变化。另一方面，深度学习模型可以理解非结构化数据并进行一般观察，而无需手动提取特征。例如，神经网络可以识别出这两个不同的输入句子具有相同的含义：
- 您能否告诉我如何付款？
- 我如何转账？
隐藏的关系和模式发现
深度学习应用程序可以更深入地分析大量数据，并揭示可能尚未对其进行过训练的新见解。例如，考虑一个经过训练以分析消费者购买的深度学习模型。该模型仅包含您已购买的商品的数据。但是，通过将您的购买模式与其他类似客户的购买模式进行比较，人工神经网络可以向您推荐您尚未购买的新物品。
无监督学习
深度学习可以根据用户行为进行学习，并随时间推移进行改进。它们不需要大量不同版本的标注数据集。例如，考虑通过分析您的键入行为自动更正或推荐词汇的神经网络。假设该模型是使用英语训练的，因此可对英语词汇进行拼写检查。但是，如果您经常键入非英语词汇，如 danke，神经网络也可以自动学习和更正这些词汇。
易失性数据处理
易失性数据集具有各种不同的版本。银行的贷款还款额就是其中的一个例子。深度学习神经网络也可以对这些数据进行分类和排序，例如通过分析金融交易并标记其中一些交易以进行欺诈检测。
云端生成式人工智能和深度学习有什么好处？
在云基础设施上运行生成式人工智能和深度学习可帮助您更快地设计、开发和训练应用程序。
速度
您可以使用 GPU 和 CPU 集群来执行神经网络所需的复杂数学运算，从而更快地训练生成式人工智能和深度学习模型。然后，您可以部署这些模型来处理海量数据，并生成相关性越来越高的结果。
可扩展性
使用通过云提供的大量按需资源，您可以访问几乎无限的硬件资源来处理任何规模的人工智能深度学习模型。您的神经网络可以利用多个处理器，在不同类型和数量的处理器之间无缝、高效地分配工作负载。
工具
您可以访问人工智能和深度学习工具，例如笔记本电脑、调试器、分析器、管道、AIOps 等。您可以使用云端现有的生成式人工智能模型提供服务，而无需基础设施来托管该模型。即使知识和培训有限，团队也可以从生成式人工智能和深度学习应用程序开始。
AWS 如何协助满足生成式人工智能和深度学习需求？
AWS 人工智能和深度学习服务利用云计算的强大功能，使您能够构建和扩展下一波人工智能创新浪潮。利用最全面的专用服务、人工智能基础设施、深度学习技术和生成式人工智能解决方案，重塑客户体验。例如，
- Amazon SageMaker 为机器学习和深度学习开发提供完全托管的基础设施、工具和工作流程。
- Amazon Bedrock 提供单个 API 来访问并使用来自领先人工智能公司的高性能基础模型。
您还可以使用 AWS 人工智能基础设施访问全面、安全且性价比高的计算、存储和联网，以构建任何人工智能应用程序。立即 创建免费 AWS 账户，开始使用 AWS 上的人工智能深度学习功能！
