[[416068]]

【51CTO.com快譯】雖然人們很難預測未來，但采用人工智能等新興技術可以了解發展趨勢。

根據研究人員和分析師的調查，到2024年，預計全球使用的數字助理將達到84億臺。人工智能的一些主要的用例包括超個性化、聊天機器人、預測行為分析等等。人工智能正在徹底改變人們的工作和生活，并引領走向難以預測的未來。人工智能技術的應用似乎勢不可擋，然而最重要的兩個技術分支是機器學習和深度學習。

采用機器學習技術，可以檢測每天發送的3000億封電子郵件中的垃圾郵件。然而近年，深度學習由于其高準確率、有效性、效率和處理大量數據的能力得到了廣泛應用。深度學習是機器學習的一個分支，通過學習劃分出多種概念層次，每個概念擁有極大的靈活性和力量。

利用人工神經網絡，深度學習算法的訓練機器對大量數據執行復雜的計算。深度學習算法使機器能夠像人腦一樣執行工作和處理數據。深度學習算法高度依賴人工神經網絡，并基于人腦的結構功能工作。以下列出了在大數據時代每個人都需要了解的10個主要的深度學習算法：

1.自編碼器

自編碼器是一種前饋神經網絡，是一種輸入和輸出都相同的深度學習算法。它由Geoffrey Hinton于1980年開發，旨在解決無監督學習問題。它擁有經過訓練的神經網絡，將數據從輸入層傳輸到輸出層。自動編碼器的一些重要用例包括：圖像處理、藥物回收和人口預測。

以下是自編碼器的三個主要組件：

• 編碼器(Encoder)
• 編碼器(Coder)
• 解碼器(Decoder)

2.受限玻爾茲曼機(RBM)

受限玻爾茲曼機(RBM)是一種隨機神經網絡，能夠從概率分布而不是一組輸入中學習。這種深度學習算法由Geoffrey Hinton開發，用于主題建模、特征學習、協同過濾、回歸、分類和降維。

受限玻爾茲曼機(RBM)分成兩個階段工作：

• 正向傳遞
• 反向傳遞

此外，它由兩層組成：

• 隱藏單元
• 可見單元

每個可見單元都連接到所有現有的隱藏單元。受限玻爾茲曼機(RBM)也有一個偏置單元，該單元連接到所有隱藏單元以及可見單元，但沒有輸出節點。

3.自組織映射(SOM)

自組織映射(SOM)通過自組織人工神經網絡實現數據可視化，以減少數據的維度。這種深度學習算法是由Teuvo Kohonen教授開發的。數據可視化能夠解決人類在處理高維數據時難以實現可視化的問題。開發自組織映射(SOM)的目的是為了更好地理解高維信息。

4.多層感知(MLP)

開始學習深度學習算法的最佳場所是多層感知(MLP)。它屬于前饋神經網絡的類別，并包含激活函數的眾多感知層。它由完全連接的兩層組成：

• 輸入層
• 輸出層

多層感知(MLP)包含相同數量的輸入層和輸出層，并且可能具有不同的隱藏層。多層感知(MLP)的一些重要用例包括圖像識別、人臉識別和機器翻譯軟件。

5.深度信念網絡(DBN)

深度信念網絡(DBN)擁有多層潛在變量和隨機變量。潛在變量通常稱為隱藏單元，包含二進制值。這些是具有層間連接的玻爾茲曼機堆棧。每個受限玻爾茲曼機(RBM) 層都與后續層和前一層相連。深度信念網絡(DBN)的用例包括視頻識別、圖像識別以及運動捕捉數據。

6.徑向基函數網絡(RBFN)

徑向基函數網絡(RBFN)是一類特殊的前饋神經網絡，它利用徑向基函數作為激活函數。它包含以下層：

• 輸入層
• 隱藏層
• 輸出層

徑向基函數網絡(RBFN)層用于回歸、分類和時間序列預測。

7.生成式對抗網絡(GAN)

生成式對抗網絡(GAN)是一種深度學習算法，可創建類似于訓練數據的新數據實例。生成式對抗網絡(GAN)有助于生成逼真的圖片、卡通人物、人臉圖像創建和3D對象渲染。生成式對抗網絡(GAN)被視頻游戲開發者用來通過圖像訓練來提升分辨率。

生成式對抗網絡(GAN)有兩個重要組成部分：

• 生成器：能夠生成虛假數據。
• 鑒別器：它能夠從虛假信息中學習。

8.循環神經網絡(RNN)

循環神經網絡(RNN)由有助于形成有向循環的連接組成，這些連接允許將長短期記憶網絡(LSTM)的輸出作為當前階段的輸入提供。由于其內部存儲器，循環神經網絡(RNN)能夠記住以前的輸入。循環神經網絡(RNN)的一些常見用例是：手寫識別、機器翻譯、自然語言處理、時間序列分析、圖像字幕。

9.卷積神經網絡(CNN)

卷積神經網絡(CNN)也稱為卷積網絡，其中包含許多層，主要用于對象檢測和圖像處理。第一個卷積神經網絡(CNN)由Yann LeCun于1988年開發和部署。當時它被稱為LeNet，主要用于數字、郵政編碼等字符識別。卷積神經網絡(CNN)的一些重要使用案例包括醫學圖像處理、衛星圖像識別、時間序列預測以及異常檢測。

以下是卷積神經網絡(CNN)的一些關鍵層，它們在數據處理以及從數據中提取特征中發揮著關鍵作用：

• 卷積層
• 校正線性單元(ReLU)
• 池化層
• 全連接層

10. 長短期記憶網絡(LSTM)

長短期記憶網絡(LSTM)是一類能夠學習和記憶長期依賴關系的遞歸神經網絡(RNN)。長短期記憶網絡(LSTM)還能夠長期記憶過去的信息。它保留了隨著時間推移而變化的信息，這在時間序列預測中被證明是有益的。它具有鏈狀結構，其中4個交互層以獨特的方式連接和通信。除了用于時間序列預測之外，長短期記憶網絡(LSTM)還用于藥物開發、音樂創作和語音識別。

結論

人們可以擁有沒有信息的數據，但不能擁有沒有數據的信息。如今，深度學習的算法和技術之所以流行，主要是因為它們能夠處理大量數據，然后將其轉換為信息。通過其隱藏層架構，深度學習首先定義低級類別(如字母)，然后是中級類別(如單詞)，然后是高級類別(如句子)。根據某些預測，深度學習必將徹底改變供應鏈自動化。

百度公司首席科學家以及谷歌大腦項目的杰出領導者之一吳恩達指出，“在深度學習的應用中，深度學習模型是火箭發動機，而海量數據就是這些火箭發動機的燃料。”

技術的進化和發展永遠不會停止，深度學習技術和算法也是如此。每個人都必須跟上最新的技術進步，才能在這個不斷發展的世界中保持競爭力。

原文標題：10 Crucial Deep Learning Algorithms to Keep an Eye on in 2021，作者:Aliha Tanveer

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】