什麼是深度學習?

深度學習是機器學習技術的一種,指的是使用人工類神經網路從資料中學習,與人類的學習方式類似。人工類神經網路受人類大腦運作方式啟發,可用於解決圖片辨識、自然語言處理和語音辨識等各式各樣的問題。

新客戶最多可獲得價值 $300 美元的免費抵免額,盡情體驗 Vertex AI 和其他 Google Cloud 產品。

深度學習演算法

深度學習演算法通常是以大型資料集中加上標籤的資料訓練而成。演算法會學習為資料中的特徵與正確的標籤建立關聯。舉例來說,在圖片辨識工作中,演算法可能會學習將圖片中的特定特徵 (例如物體形狀或物件顏色) 與正確的標籤 (例如「狗」或「貓」) 建立關聯。

深度學習演算法經過訓練後,即可根據習得的模式準確分類新資料。

深度學習的運作方式

深度學習技術會使用人工類神經網路從資料中學習。類神經網路由多層相連的節點組成,每個節點負責學習特定的資料特徵。 以先前使用圖片的範例為基礎:在圖片辨識網路中,第一層節點可能會學習辨識邊緣,第二層可能會學習辨識形狀,而第三層可能會學習辨識物體。

類神經網路學習時,節點間連線的權重就會隨之調整,讓類神經網路可以更妥善地分類資料。類神經網路通常會採用反向傳播等技術,根據處理訓練資料的效能來做出調整。這項程序稱為「訓練」,可以利用各種技術來完成,例如監督式學習、非監督式學習和增強式學習等技術。

深度學習與機器學習的差異

深度學習和機器學習都是人工智慧的分支,但機器學習這個詞彙的定義更廣泛,涵蓋深度學習等多項技術。視任務與演算法而定,機器學習和深度學習演算法皆可使用加上標籤/未加上標籤的資料來訓練。

無論是機器學習或深度學習演算法,都適合用來處理圖片辨識、語音辨識和自然語言處理等任務。不過,深度學習演算法能夠學習階層結構式資料表示法,因此在處理複雜的模式識別任務方面 (例如圖像分類和物件偵測),成效通常優於傳統機器學習演算法。

深度學習用途

深度學習可用於各種用途,包括:

  • 圖片辨識:辨識圖片中的物件和特徵,例如人物、動物和地點。
  • 自然語言處理:輕鬆解讀文字的含義,可應用至客服聊天機器人和垃圾郵件篩選器等。
  • 財經:協助分析財務資料及預測市場趨勢。
  • 文字轉圖像:將文字轉換成圖像,適用於 AI 圖像生成器或專用內容創作工具等。

深度學習類型

深度學習模型有許多不同類型,最常見的類型包括:

卷積類神經網路 (CNN)

CNN 會用於辨識及處理圖片,且特別適合辨識圖片中的物件,即使物件有部分模糊不清或扭曲變形也適用。

深度增強式學習

深度增強式學習適用於機器人和遊戲。這種機器學習可讓代理人與環境互動並獲得獎勵或懲罰,藉此瞭解如何應對環境。

循環類神經網路 (RNN)

RNN 可用於自然語言處理及語音辨識,特別適合用於瞭解句子或詞組的結構定義,也能用來產生文字或翻譯語言。

使用深度學習模型的優點

使用深度學習模型有幾項優點,包括:

  • 能根據資料學習特徵間的複雜關聯:深度學習比傳統機器學習方法更強大,可執行更精細的資料分析。
  • 使用大型資料集訓練:這類模型的擴充性極佳,而且能從更多元的經驗中學習,可望提高預測結果的準確度。
  • 採取資料導向學習方法:深度學習模型可根據資料學習,減少人工訓練的需要,進而提升效率和擴充性。這些模型會從持續產生的資料 (例如感應器或社群媒體資料) 中學習。

使用深度學習模型的潛在難題

使用深度學習模型時,也可能面臨許多難題,包括:

  • 資料要求:深度學習模型需要透過大量資料學習,如果可用資料不足,就較難透過深度學習模型解決問題。
  • 過度配適:深度學習模型可能容易過度配適,這表示模型會學習資料中的雜訊,而不是潛在關聯,導致無法有效處理未曾見過的新資料。
  • 偏誤:視依據的資料而定,這類模型可能會出現偏誤,這可能會導致預測不公正或不準確。請務必採取相關措施來減少深度學習模型的偏誤。

透過 Google Cloud 解決業務難題

新客戶可以獲得價值 $300 美元的免費抵免額,盡情試用各項 Google Cloud 功能。
與 Google Cloud 銷售專員聯絡,深入探討您面臨的特殊難題。

展開下一步行動

運用價值 $300 美元的免費抵免額和超過 20 項一律免費的產品,開始在 Google Cloud 中建構產品與服務。