什么是深度学习？

深度学习是机器学习的一个子集，为许多人工智能（AI）系统提供动力。它使用多层神经网络，允许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，从而生成洞察和预测。您可以使用深度学习方法自动执行通常需要人类智能完成的任务，例如描述图像或将声音文件转录为文本。

深度生成式学习是深度学习，侧重于根据从输入中学到的模式创造新输出。深度学习模型使用大量数据进行训练，以识别数据集中的模式并进行预测或分类。

深度生成式学习增加了模式识别的生成能力。此类模型会寻找数据模式，然后根据这些模式创建新的输出。例如，他们可以分析几本书中的文本，然后使用这些信息生成原始书籍中没有的新句子和段落。

深度生成式学习是现代生成式人工智能的基础，有助于创建基础模型。这些模型大规模使用深度学习技术，基于海量数据进行训练，执行复杂任务，例如回答问题、根据文本创建图像和撰写内容。

深度学习技术是日常产品中使用的许多人工智能应用程序的基础。从金融欺诈检测到为客户服务构建更好的聊天机器人和数字助手，深度学习在所有方面都有帮助。它也是自动驾驶汽车、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。以下是深度学习的优势。

使人工智能能够大规模处理非结构化数据

传统的机器学习在处理结构化数据集方面表现出色，但在处理图像、音频和自由格式文本等非结构化格式时可能会遇到困难。许多深度学习系统可以通过学习过程分解原始输入数据，从而处理非结构化数据类型。

具有多层的神经网络可以在大量训练数据中提取有意义的表示形式。不同的神经网络架构经过优化，可以处理不同类型的数据：

• 卷积神经网络（CNN）用于计算机视觉任务，例如检测物体和对物体进行分类。

• 循环神经网络（RNN）管理序列数据，其中输入序列的精确顺序很重要，例如时间序列信号数据。

• 自然语言处理（NLP）模型可以处理、解释和理解人类语言的意图。

• 转换器模型用于所有类型的输入输出序列转换，从语音识别到机器翻译和蛋白质序列分析，并且是大语言模型的基础。视觉转换器（ViT）用于计算机视觉任务。

深度学习扩展了人工智能系统的功能，使其在大规模处理各种数据时更加灵活和有效。

增强自动化并减少人工劳动

深度学习可以减少完成任务的人工干预，从而为组织提供帮助。在工程阶段，数据科学家可以专注于准备高质量的训练数据，而不是手动定义规则和工程特征。

在训练深度学习模型时，优化算法将自动调整神经网络中多达万亿个参数，进而最大限度地减少预测误差。

深度学习训练支持多种学习类型：

• 有监督学习，其中系统使用预先准备好、标注的数据作为其来源。

• 无监督学习，其中模型识别未标注数据中的结构。

• 强化学习，其中模型通过基于奖励的反馈进行学习。

• 半监督学习，其中模型使用一小部分标注的数据和一组较大的未标注数据。

• 自监督学习，其中模型在数据上附加标注以进行自我训练，就像人类在有监督学习中一样。

通过将感知和决策相结合，不断迭代和优化行为，深度强化学习可以走得更远。

检测复杂的模式

深度学习使用其由互连的节点层组成的神经网络来学习复杂的依赖项和模式。虽然更简单的机器学习模型必须使用重要的特征工程设计，但深度学习高级模型可以在没有特征定义的情况下跟踪抽象关系。对于面部识别和欺诈检测等需要在数百万个示例中识别细微变化的领域，深度学习可能是更好的选择。

深度学习在包括汽车、航空航天、制造、电子、医学研究和其他领域在内的所有行业均有使用案例。

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。深度学习技术使计算机能够理解图像。计算机视觉有许多应用，如下所示：

• 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。

• 内容审核可以从图像和视频归档中自动移除不安全或不适当的内容。

• 面部识别可以识别面部和多项属性，如睁开的眼睛、眼镜以及面部毛发。

• 图像分类可以识别品牌徽标、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。语音识别应用程序，例如 Amazon Alexa 等虚拟助手、文字转语音应用程序和语音转文本软件，可以执行以下任务：

• 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。

• 将一种语言转换为另一种语言进行近乎实时的翻译。

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。这种处理人工创建的自然文本的能力有多种使用案例，包括：

• 自动虚拟座席和聊天机器人。

• 文档或新闻文章的自动摘要。

• 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以复杂的风格与最终用户进行交流。生成式人工智能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等任务。例如，使用 Amazon Q Business 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。

深度学习模型是神经网络，会复用一些与人脑中某些概念相似的理念。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。

在深度学习中，名为节点的软件模块使用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造神经元组成。

深度神经网络的组成部分如下：

输入层

人工神经网络有多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，在训练过程中接收新信息时调整其行为。深度学习网络有数十到数百个隐藏层，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：

• 这种动物有蹄，所以它可能是牛或鹿。

• 这种动物有猫眼，因此它可能是野猫或驯养的猫。

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”二进制答案的深度学习模型通常在输出层中只有一个节点。那些输出更广泛答案的模型则有更多节点。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。

术语“机器学习”、“深度学习”和“生成式人工智能”都是人工智能的领域，深度学习和生成式人工智能涉及神经网络技术。

机器学习

深度学习是机器学习的子集。深度学习算法的出现是为了克服传统机器学习技术的局限性。传统的机器学习方法需要大量的人力来训练软件，以识别特征。

例如，在使用有监督学习估算房屋销售价格的示例中，您需要执行以下操作：

• 输入房屋销售价格，以及其他特征，例如郊区、区域、卧室数量、卫生间数量、房龄、与公共交通的距离、与主要城市的距离等。

• 让机器学习算法处理数据集。

• 在一组已售的具有已知特征的房屋上测试这些算法，以估算销售价格。

• 找出某些结果不准确的原因。

• 通过添加新特征来改进数据集。

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，该算法在训练数据很少的郊区可能表现不佳。

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

传统的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测，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，人工神经网络可以通过推荐不同类别中风格相似的商品，向您推荐尚未购买的新商品。

易失性数据处理

易失性数据集有很大的差异，例如网站的网络流量。在促销活动期间，网站可能会有大量的连接。深度学习神经网络可以识别不断上升的网络流量和分布式阻断服务（DDoS）事件之间的区别。

生成式人工智能

生成式人工智能结合了多种技术，从输入中生成新的输出。输入和输出因模型而异，可能包括文本、图像和视频。虽然机器学习和深度学习侧重于预测和模式识别，但生成式人工智能能够根据其学习的模式产生新的输出。

生成式人工智能技术通常建立在转换器架构之上，该架构利用自注意力来学习有关输入数据的关系。在训练过程中，这些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。

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。

可解释性

深度学习的输出可能很难通过神经网络进行跟踪，从而确定该算法是如何得出答案的。这使得可解释性和证明难以复现和展示。

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，您可以访问完全可扩展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

您可以在云端访问人工智能和深度学习工具，例如笔记本、调试器、分析器、管线组件、AIOps 工具等。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。团队可以从生成式人工智能和深度学习应用程序开始，然后在推进过程中不断迭代学习。

AWS 人工智能和深度学习服务借助全面的基础（模型、上下文和企业级安全）助力弥合人工智能潜力与商业成果之间的差距，从而使您能够通过可大规模交付成果的智能体将愿景变为现实。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，重塑您的工作方式。例如，

• Amazon SageMaker AI 是一项完全托管的服务，汇集最全面的人工智能工具和功能，可助力为任何使用案例开发高性能、低成本的人工智能模型。借助 SageMaker AI，您可以使用完整的开发环境、专门构建的训练基础架构、智能体指导的工作流程和优化的推理功能，大规模构建、训练、自定义和部署人工智能模型。

• Amazon Bedrock 是一个用于在生产规模构建生成式人工智能应用程序和智能体的平台。组织选择 Amazon Bedrock，以提供个性化体验、自动化复杂工作流程并发现切实可行的洞察，这一切均在一个全面的平台上完成，从而让团队能够在不影响安全性的前提下快速创新。

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。

立即创建免费的 AWS 账户，开始在 AWS 上使用人工智能深度学习。