深度學習：機器智能新境界

深度學習：機器智能新境界

當代資訊科技領域發展迅速，深度學習作為機器學習的一個分支，在過去十年間呈指數級增長。深度學習之所以能夠如此快速地發展，是因為它具有多層次的特性。傳統機器學習通常只進行少量的數據轉換，而深度學習則通過多層次的轉換來處理輸入數據。這使得深度學習可以接受原始數據或接近原始數據的輸入，並生成輸出。這一點與傳統機器學習有所不同，因為在傳統機器學習中，需要對數據進行特徵提取，然後將這些特徵傳遞給機器學習算法。

在深度學習中，您可以將像素集作為輸入，這些像素對應於圖像。過去，您必須進行一些特徵提取，需要專業的計算機視覺專家來提取圖像的特徵，然後將這些特徵傳遞給機器學習算法。但是現在，在您的深度學習模型中有多個層次之後，您可以傳遞原始像素或幾乎原始像素，除了可能對像素進行一些歸一化之外，您將原始或幾乎原始的像素傳遞給模型，然後得到類別的模型。

這是一只貓還是一個人或一個水果等等。這是近來可能實現的，因為計算能力的提升，您可以訓練更大、更深的模型，以及訪問更大的數據集，這些數據集需要訓練深度學習模型所需的多個層次。

深度學習模型的限制是什麼？您剛剛說了一個，對大量數據的要求。這是對的，需要大量的數據。儘管有一些方法可以解決這個問題，我稍後會談到這些方法。另一個限制是大量的計算。但是同樣，也有一些方法可以解決這個問題。現在，有非常大的模型，從頭開始進行訓練。所以您拿一個模型，通常在開始時，模型由隨機權重組成，當您多次迭代訓練時，模型會收斂。現在這需要大量的數據和計算。但是一旦您有了一個訓練有素的模型，假設您想要使用該模型，用於一個類似的應用程序。不是完全相同的應用程序，而是具有某些相似特徵的應用程序。您可以這樣做，您可以拿那個已經預先訓練好的模型，並使用一個較小的數據集，該數據集專門用於您正在解決的問題，並將其重新訓練為預先訓練的模型，作為起點。這通常被稱為微調或轉移學習，這個過程需要比從頭開始訓練模型時少得多的計算。所以您需要大量的數據和計算，但是這只在訓練大型模型時才是真實的。當您的模型在訓練過程中收斂時，當您將那個已經預先訓練好的模型應用於一個類似的應用程序時，您可以用一個較小的數據集來重新訓練它。這是可能的，因為計算能力的提升，您可以訓練更大、更深的模型，以及訪問更大的數據集，這些數據集需要訓練深度學習模型所需的多個層次。

• 深度學習的優點
• 深度學習的缺點

這是我的看法，我認為未來會有一些極其大型的模型，這些模型將被訓練，具有對各種應用進行微調的能力。我之所以這麼認為，是因為模型的尺寸和複雜性正以極快的速度增長。大多數公司沒有資源從頭開始訓