立即開始使用

越來越多的組織轉向深度學習,因為它讓電腦能夠獨立學習,而且幾乎不需要監督即可完成任務,為科學和工業帶來諸多的優點。不同於傳統的機器學習,深度學習試圖建立人造的「神經網路」來模擬我們大腦學習和處理資訊的方式,以便從資料中擷取複雜的概念和關係。深度學習模式透過圖片、文字、聲音和其他資料的複雜模式辨識不斷改進,藉此產生更準確的洞見和預測。

 

採用雲端運算進行深度學習可以輕鬆導入和管理大型資料集以訓練演算法,還可以透過 GPU 處理能力,以更低的成本有效地擴展深度學習模型。雲端深度學習可透過分散式網路,讓您以更快的速度設計、開發和訓練深度學習應用程式。

開始使用深度學習

深度學習演算法旨在加快學習的速度。透過使用 GPU 和 CPU 叢集在運算密集型任務上執行複雜的矩陣操作,使用者可以加速深度學習模型的訓練。之後,可以部署這些模型來處理大量的資料,並產生越來越密切相關的結果。

透過教學學習

深度學習神經網路非常適合利用多個處理器,在不同的處理器類型和數量下無縫、有效地分配工作負載。雲端上有各式各樣的隨需資源,您可以部署近乎無限的資源來處理任何規模的深度學習模式。

 

取得機器學習資料集

您可以在雲端上執行 Apache MXNetTensorFlow、Microsoft Cognitive Toolkit、Caffe、Caffe2、Theano、Torch 和 Keras 等深度學習架構,並根據您的使用案例使用最適合的已封裝深度學習演算法程式庫,無論是應用到 Web、行動裝置或連線裝置皆可。

 

深度學習非常適合各種人工智慧使用案例,例如:

深度學習神經網路使用數百萬個標記影像訓練演算法,現在識別物件的成功率甚至比人類更突出,因此產生了快速臉部辨識等進階功能。

了解 Amazon Rekognition >

人類說話方式和口音千變萬化,讓電腦不易於辨識語音。深度學習演算法可以更輕鬆地判斷人們說話的內容。這項功能目前已運用在 Amazon Alexa 和其他虛擬助理。

了解 Amazon Transcribe >

深度學習能協助電腦理解一般對話,其中語調和語境對於傳達潛在的意義非常重要。客服機器人等自動化系統可以運用可偵測情緒的演算法,分析使用者的心情並做出適當反應。

了解 Amazon Lex >

深度學習早期的成功案例是開發可追蹤使用者活動的系統,以提供個人化的推薦。透過比較眾多使用者的總體活動,深度學習系統甚至可以識別出可能會令使用者感興趣的全新項目。

了解 Apache MXNet >

600x400_Netflix_Logo
edmunds-logo
600x400_Claire_Logo
600x400_UCLA_Logo
600x400_zendesk_logo
600x400_Pinterest_Logo
scdm-dl-logo

了解 SCDM Financial 如何使用深度學習取得可行的洞見。更多 >

tusimple-dl-logo

了解 TuSimple 如何為自動駕駛汽車建立深度智慧。更多 >

使用 AWS Deep Learning AMI 開始深度學習很容易。這些 AMI 適用於 Linux 和 Ubuntu,可以從 AWS Marketplace 快速啟動。選擇用於大規模訓練的 GPU 或用於執行推論的 CPU,以獲得執行深度學習應用程式的穩定、安全和高效能執行環境。