深度学习算法是如何工作的
我们日常使用或互动的许多人工智能(AI)产品都是通过深度学习开发的。深度学习是机器学习(ML)的一个迷人的子领域，基于神经网络。神经网络，也被称为人工神经网络(ann)，自20世纪70年代以来就以某种形式出现了，但由于计算能力和数据存储的增长，它们正经历一个新的流行水平。
对于构建人工智能的数据科学家和组织来说，神经网络有几个关键的好处。最重要的是，他们可以自己有机地学习，这样团队就不用在训练算法上投入大量的时间和金钱。考虑到这些优势，数据科学家越来越依赖深度学习技术来构建具有速度和可扩展性的创新人工智能技术。
神经网络的定义
一个人工神经网络是一种计算机模拟，试图模拟人类大脑的过程，以模仿它的学习方式。这类系统基本上是通过考虑示例自学的，通常不需要人工进行特定任务的编程，然后使用纠正性反馈循环来改善它们的性能。这个过程，称为深度学习是一种使用数据表示的机器学习，而不是像传统软件那样使用特定任务的算法。深度学习已经应用于计算机视觉、语音识别、自然语言处理和音频识别等领域。这些算法的目标是创造更复杂的软件和机器，可以执行人类活动喜欢看、听、想。
神经网络技术是如何工作的
神经网络由节点层、输入层、输出层和一些隐藏层组成。节点彼此相连，每个节点都有特定的权重和偏差(阈值)。如果一个节点的输出高于其阈值，该节点将激活并将数据传递给网络的下一层。大多数神经网络是单向流动的，因此被认为是前馈的。
具有多个层次的神经网络被认为是深度神经网络(也称为深度学习算法)。当我们提到深度学习时，我们仅仅是指一个有几层深度的神经网络。
神经网络需要大量的数据来学习。神经网络分析这些数据(称为训练数据)来确定模式和关系。bob体育手机下载提供的数据越多，神经网络就能越快地推断出相关规则，并能够做出准确的预测。如果你给神经网络提供成千上万张标有相应名称的各种花的图像，一个有效的神经网络将学会识别玫瑰、百合等的独特特征。
深度学习需要结构化数据
找到用于深度学习的数据并不是问题所在。我们共同生成每天大约有2.5万亿字节的数据以图像、视频、电子邮件等形式存在。但这些数据中有大量是非结构化和无标签的，因此可以挖掘和用于做出明智决策的智慧财富被埋没，基本上无法使用。为了充分利用神经网络和深度学习的潜力，必须使用由熟练的人类注释者构造的数据来训练算法。
神经网络的用例
近年来，神经网络技术的成就取得了惊人的进展。在一个2012大型视觉识别挑战例如，他们的表现所有其他算法在一个行业标准的图像数据集超过10%。纽约时报报道这是一个由科学家创造的人工智能程序瑞士人工智能实验室在卢加诺大学赢得了模式识别比赛。获胜的程序在一组50000个符号中成功识别了99.46%的图像，而人类的平均识别率为98.84%。像这样的研究表明，神经网络是目前最先进的算法，可以用来理解复杂的感觉数据。下面是一些神经网络技术的其他令人兴奋的使用案例
AutoML
科技公司已经注意到了这些改进，并正在寻求利用它们。例如，谷歌就有宣布利用新技术开发人工智能的一项重大举措被称为AutoML．通过这种算法，神经网络使用机器学习在迭代过程中构建更复杂的神经网络。这些神经网络是为了自我学习而设计的，模仿人类大脑通过强化学习过程自我学习的方式。我们的目标是创建更强大、更高效、更易于使用的网络。
决斗神经网络
神经网络也能够相互改进。《福布斯》曾报道过一项技术突破决斗神经网络．在这种方法中，神经网络实际上是相互竞争的。其目标是让人工智能系统超越单纯的学习，开发出类似于人类想象力的东西。谷歌Brain、Deep Mind和英伟达等组织正在致力于开发能够创建超逼真的计算机生成图像和声音的系统，这些系统比我们今天看到的先进得多。
神经网络芯片
虽然大部分神经网络的开发都是在云端进行的，但该技术也开始出现在硬件领域。研究人员麻省理工学院发明了一种神经网络芯片。该芯片可以利用机器学习，而无需将数据传送到基于云的应用程序。由麻省理工学院开发的原型已经被证明可以将机器学习计算的速度提高700%。作为一个额外的好处，能源消耗减少了93%到96%。只有几年的时间，该芯片的更新版本就会拥有更强大的计算能力。
Appen能为你做什么
Appen拥有超过20年与不同行业的全球公司合作的经验，在解决各种数据挑战方面有着良好的记录。我们在超过235种语言和方言方面拥有深厚的专业知识，并接触到全球超过100万名熟练的承包商，帮助我们的客户收集和构建数据，以优化他们的机器学习算法。
我们与领先的技术，汽车,电子商务公司帮助他们开发、提高和使用依赖机器学习的产品。
联系我们今天我们将讨论构建神经网络和部署深度学习的结构化数据需求。
