亚马逊云科技中国峰会 | 从构想走进现实，6 月 19 日 - 20 日｜上海世博中心

亚马逊云科技中国峰会 | 从构想走进现实，6 月 19 日 - 20 日｜上海世博中心，立即报名»

什么是深度学习？

深度学习是一类模式分析方法的统称，是机器学习的一种，主要是通过学习样本数据的内在规律和表示层次，让机器能够像人一样具有分析学习能力，能模仿人类识别文字、声音、进行思考，以解决更多复杂的模式识别问题。

免费创建账户

联系云计算专家

深度学习与传统机器学习的区别

泛化能力的差异

深度学习与传统机器学习在泛化能力方面存在显著差异。传统机器学习算法虽然可以最小化训练集上的损失，但其关注点在于最小化未见样本的损失，即提高泛化能力。而深度学习算法的泛化能力一直是研究的重点领域，相比传统机器学习算法有显著提高。

目标差异

机器学习是寻找可泛化的预测模式。作为机器学习的一个子集，深度学习使用多层逐步从原始输入中提取更高层次的特征，如在较低层识别图像边缘，在较高层识别更高级概念。

训练方式的差异

传统机器学习方法需要大量人工努力来训练软件，如手动标记数十万张图像、处理这些图像、测试算法并改进数据集。相比之下，深度学习网络可以自主推导出相关特征，更独立地学习，分析非结构化数据集（如文本文档），并解决更复杂的问题。

处理非结构化数据的能力

和传统机器学习相比，深度学习在高效处理非结构化数据方面具有优势。由于训练数据集的无限变化，传统机器学习方法很难处理非结构化数据，而深度学习模型可以理解非结构化数据并进行一般性观察，无需人工提取特征。深度学习网络还能比传统机器学习更深入、更准确地发现大型数据集中隐藏的关系和模式。

总结

总的来说，深度学习是机器学习算法的更先进、更复杂的演进，具有更独立、更高效地学习和处理数据的能力，尤其是对于复杂和非结构化的数据集。

深度学习的工作原理

深度学习是一种机器学习算法的类别，它利用多层结构从原始输入数据中逐步提取更高层次的特征。这种工作原理使深度学习模型能够比浅层模型提取更好的特征，额外的层有助于有效地学习这些特征。

层次表示学习

深度学习的关键原理之一是能够学习分层表示。较低层可能识别边缘等基本特征，而较高层则可识别更复杂的概念，如数字、字母或人脸。这种分层结构有助于消除冗余，从而获得更紧凑的中间表示。

多层特征提取

深度学习利用多个层来提取越来越复杂的特征。通过这种方式，深度学习模型能够从原始数据中学习出高级抽象特征，这种自动特征提取的能力是深度学习取得成功的关键因素之一。

无需人工特征工程

传统的机器学习算法需要人工设计和选择特征，这是一个耗时且需要领域专业知识的过程。而深度学习能够自动从原始数据中学习特征表示，消除了人工特征工程的需求，大大简化了模型构建过程。

广泛应用

由于其强大的特征学习能力，深度学习已被成功应用于计算机视觉、语音识别、自然语言处理等诸多领域，在许多任务上达到或超过了人类专家的水平。无论是监督学习还是无监督学习，深度学习都展现出了卓越的性能。

深度学习面临的挑战和局限性

深度学习虽然取得了令人瞩目的成就，但仍面临着一些挑战和局限性。以下是一些主要的问题：

缺乏理论基础

深度学习方法常被批评缺乏坚实的理论基础。虽然最常见的深度架构的学习过程是使用梯度下降法实现，但其他算法（如对比散度）的理论基础则不太清晰。深度学习方法通常被视为一个黑箱，大多数验证都是在经验层面而非理论层面进行。

无法实现强人工智能

一些人指出，深度学习应被视为实现强人工智能的一个步骤，而非一种全能的解决方案。尽管深度学习方法非常强大，但它们仍然缺乏实现这一目标所需的许多功能。深度学习技术缺乏表示因果关系的方式，没有明确的逻辑推理方法，而且距离整合关于物体、用途及使用方式的抽象知识还有很长的路要走。

内部表示存在问题

一些深度学习架构也表现出有问题的行为，例如将无法识别的图像自信地归类为熟悉的类别，或者将正确分类的图像的微小扰动错误分类。这些问题可能源于其内部表示的局限性，并可能阻碍它们被整合到异构多组件人工通用智能（AGI）架构中。

需要大量高质量数据

深度学习算法在实际实施中面临着一个主要挑战，即需要大量高质量数据来有效训练模型。输入数据集中的异常值或错误可能会严重影响深度学习过程，导致不准确性。为了避免此类问题，需要进行大量的数据清理和预处理，这需要大容量的数据存储。

深度学习的应用

深度学习是一种基于人工神经网络的机器学习技术，近年来在多个领域取得了突破性进展。以下是深度学习在各个领域的一些应用：

搜索技术

深度学习可以帮助理解用户查询的语义，从而提供更准确的搜索结果。

数据挖掘

深度学习可以从海量数据中发现隐藏的模式和关联，为数据挖掘提供强大的支持。

机器翻译

深度学习在机器翻译领域取得了突破性进展，使得机器翻译的质量大幅提高。

自然语言处理

深度学习在语音识别、文本分类、情感分析等自然语言处理任务中表现出色。

多媒体学习

深度学习在图像识别、视频分析等多媒体领域有着广泛应用。

亚马逊云科解决方案构建的机器学习模型特点

高效完全集成

Amazon SageMaker Studio 是一个基于Web的集成开发环境（IDE），旨在简化深度学习模型的构建、训练和部署过程。它提供了一个统一的界面，让您可以在同一个环境中完成从数据准备到模型部署的所有步骤，无需在不同工具之间切换。通过高效的集成，您可以快速上传数据，并在各个步骤之间无缝切换，从而大大提高了工作效率和生产力。Amazon SageMaker Studio 的高度集成特性使其成为深度学习从业者的理想选择，让您可以专注于模型开发，而不必分心处理繁琐的环境设置和工具集成问题。

灵活协作

Amazon SageMaker 为深度学习团队提供了高度的灵活性和协作能力。借助其快速启动功能，您可以在几秒钟内立即开始工作，无需耗费大量时间进行环境配置。此外，Amazon SageMaker 还提供了一键分享功能，让您可以轻松地与团队成员共享代码、笔记本、数据集等所有工作资源。这种无缝的协作方式大大提高了团队成员之间的协作效率，促进了知识共享和经验传递。无论您是独立开发人员还是团队成员，Amazon SageMaker 都能为您提供高度灵活的协作环境，助力您高效完成深度学习项目。

自动化构建，高可控性

Amazon SageMaker Autopilot 是一款自动机器学习（AutoML）工具，旨在简化深度学习模型的构建过程，同时保持对模型的高度控制。它能自动执行多项任务，包括检查原始数据质量、应用特征工程技术、选择最佳算法集、训练和调试多个模型，并跟踪它们的性能表现。通过自动化这些繁琐的步骤，Amazon SageMaker Autopilot 可以大大节省您的时间和精力，让您专注于更高层次的模型优化和调整。与此同时，它还提供了多种可定制选项，使您能够根据具体需求对模型进行微调，确保模型满足您的特定要求。无论您是深度学习新手还是资深从业者，Amazon SageMaker Autopilot 都能为您提供自动化和高度可控的模型构建体验。

降低数据标记成本

构建高质量的深度学习模型需要大量的训练数据，而创建这些训练数据通常需要耗费大量的人力和财力进行数据标注。Amazon SageMaker Ground Truth 旨在降低这一过程的成本，使您能够以更低的成本获得高质量的训练数据。它利用众包和人工智能相结合的方式，将数据标注任务分发给全球数千名经过认证的人工标注员。通过这种方式，Amazon SageMaker Ground Truth 可以降低高达70%的数据标注成本，同时确保标注质量。此外，它还提供了多种内置工具和功能，如自动数据标注、标注质量审核和人工审核等，进一步提高了标注效率和质量。无论您的深度学习项目涉及什么类型的数据，Amazon SageMaker Ground Truth 都能为您提供经济高效的数据标注解决方案。

亚马逊云科技深度学习的前沿技术动态

StockX 公司的传奇故事 — 早期发展「机器学习」

Amazon Personalize 是一项基于深度学习的云服务，提供自动化的特征工程和模型开发功能，帮助企业快速构建个性化推荐系统。通过利用深度学习技术，Amazon Personalize 可以从简单的用户行为数据中自动提取特征，并训练出高质量的推荐模型。

在 StockX 的早期发展阶段，我们面临着快速搭建个性化推荐系统的挑战。传统的机器学习方法需要耗费大量时间和人力进行特征工程和模型调优，这对于初创公司来说是一个巨大的负担。
幸运的是，Amazon Personalize 为我们提供了一种简单高效的解决方案。它只需要一个包含五列数据（用户 ID、项目 ID、时间戳、事件类型及元数据）的简单数据集，就可以自动完成特征工程和模型训练，为我们生成一个高质量的推荐模型。
借助 Amazon Personalize 提供的标准 HRNN （Hierarchical Recurrent Neural Network）算法，我们可以快速完成传统机器学习流程中最为耗时的特征工程和模型开发两个环节，从而将更多精力集中在数据处理、后端系统和生产部署等其他关键环节上。

如何使用 Amazon Personalize 在 StockX 上拓展个性化用户体验「机器学习」

在决定将推荐程序的核心模型开发和生产推理环节交由 Amazon Web Services 的深度学习服务 Amazon Personalize 负责之后，我们开始使用该服务进行开发，并很快体会到将其无缝集成至整个机器学习工作流程所带来的便捷性。

Amazon Personalize 基于深度学习技术，可以自动完成特征工程和模型训练等复杂环节，大大简化了推荐系统的开发流程。 - 我们只需要准备好格式化的用户行为数据，并调用 Amazon Personalize 提供的 API，即可快速训练出高质量的个性化推荐模型。
与传统的机器学习开发流程相比，Amazon Personalize 显著降低了模型开发的门槛，使我们能够将更多精力集中在数据处理、后端系统集成和生产部署等其他关键环节上。
通过与 Amazon Personalize 的无缝集成，我们成功在 StockX 上拓展了个性化的用户体验，为用户提供了更加智能和人性化的推荐服务。