預測未來不是魔法，而是人工智慧。毋庸置疑，人工智慧的風頭正勁，每個人都在談論它，無論他們是否理解這個術語。
據研究人員和分析師稱，到 2024 年，數字助理的使用率預計有望達到 84 億。超個性化、聊天機器人、預測性行為分析等是人工智慧應用中最為常見的用例。人工智慧正在徹底改變整個地球，引領我們走向一個不可預測的未來。其中，最重要的兩個概念是機器學習和深度學習。
在每天傳送的 3000 億封電子郵件中，機器學習的效率足以檢測出垃圾郵件。但是，近年來，深度學習以其高準確率、有效性、高效率和處理海量資料的能力而受到廣泛歡迎。它是機器學習的一個分支，透過學習將整個世界呈現為一個根深蒂固的概念層次，每個概念都被確定為簡單，從而擁有巨大的靈活性和力量。
隨著人工神經網路的應用，深度學習演算法訓練機器在大量資料上進行復雜的計算。深度學習演算法可以讓機器能夠像人腦那樣進行工作和處理資料，並高度依賴於人工神經網路，並基於人腦的結構-功能而工作。以下是十大值得關注的深度學習演算法，希望能對你有所參考。
1. 自動編碼器
作為某種型別的前饋神經網路，自動編碼器（Autoencoder）是一種深度學習演算法，其中輸入和輸出都是相同的。它是由 Geoffrey Hinton 在 1980 年設計的，目的是解決無監督學習問題。它擁有經過訓練的神經網路，將資料從輸入層轉移到輸出層。自動編碼器的一些重要用例是：影象處理、藥品回收和人口預測。
以下是自動編碼器的三個主要組成部分：
- 編碼器（encoder）
- 編碼（Code）
- 解碼器（decoder）
2. 受限玻爾茲曼機
受限玻爾茲曼機（Restricted Boltzmann Machines，RBM）是隨機神經網路，能夠從機率分佈而不是輸入集中學習。這種深度學習演算法由 Geoffrey Hinton 開發，用於主題建模、特徵學習、協同過濾、迴歸、分類和降維。
受限玻爾茲曼機分兩個階段工作：
- 前向（forward pass）
- 後向（backward pass）
此外，它由兩個層組成：
- 隱含層（Hidden units）
- 可視層（Visible units）
每個可見層都與所有現有的隱含層相連。受限玻爾茲曼機也有一個偏置層。該層與所有的隱含層以及可見層相連，但沒有輸出節點。
3. 自組織對映
自組織對映（Self-Organizing Maps，SOM）透過自組織人工神經網路實現了資料視覺化，以降低資料的維度。這種深度學習演算法是由 Teuvo Kohonen 教授開發的。資料視覺化能夠解決人類在處理高維資料時不容易視覺化的這類問題。開發自組織對映的目的是為了對高維資訊進行更好的理解。
4. 多層感知機
開始學習深度學習演算法的最好地方是多層感知機（Multilayer Perceptions，MLP）。它屬於前饋神經網路的範疇，同時還有許多包含啟用函式的感知層。 它由兩個完全連線的層組成：
- 輸入層
- 輸出層
多層感知機包含相同數量的輸入層和輸出層，並且有可能具有各種隱含層。多層感知機的一些重要用例包括影象識別、人臉識別和機器翻譯軟體。
5. 深度信念網路
生成模型、深度信念網路（Deep Belief Network，DBN）擁有大量的潛變數和隨機變數層。潛變數通常被稱為隱含層，包含二進位制值。這些是波爾茲曼機的堆疊，各層之間有連線。每一個深度信念網路層都與後續和之前的層相連線。深度信念網路的用例包括影片識別、影象識別以及運動捕捉資料。
6. 徑向基函式網路
徑向基函式網路（Radial Basis Function Network ，RBFN）是一類特殊的前饋神經網路，利用徑向基函式作為啟用函式。它包含以下幾層：
- 輸入層
- 隱含層
- 輸出層
上述各層的徑向基函式網路被用來進行迴歸、分類和時間序列預測。
7. 生成對抗網路
生成對抗網路（Generative Adversarial Network，GAN）是一種深度學習演算法，它可以建立與訓練資料相似的新資料例項。生成式對抗網路有助於生成逼真的圖片、卡通人物、人臉的影象建立和三維物體的渲染。影片遊戲開發者利用生成對抗網路，透過影象訓練提升低解析度。
生成對抗網路有兩個重要組成部分：
- 生成器（generator）：能夠生成虛假資料。
- 鑑別器（discriminator）：能夠從虛假資訊中學習。
8. 遞迴神經網路
遞迴神經網路（Recurrent Neural Network，RNN）由有助於形成有向迴圈的連線組成，允許長短期記憶網路（Long Short-term Memory Network，LSTM）的輸出作為現階段的輸入提供。遞迴神經網路能夠記住以前的輸入，因為它有內部記憶。遞迴神經網路的一些常見用例有：手寫識別、機器翻譯、自然語言處理、時間序列分析和影象說明。
9. 卷積神經網路
卷積神經網路（Convolutional Neural Network，CNN）也被稱為 ConvoNet，包含許多層，主要用於物體檢測和影象處理。第一個卷積神經網路是由 Yann LeCun 在 1988 年開發和部署的。在那一年，它被稱為 LeNet，用於字元識別，如數字、郵政編碼等。卷積神經網路的一些重要用例包括醫學影象處理、衛星影象識別、時間序列預測和異常檢測。
以下是卷積神經網路的一些關鍵層，它們在資料處理以及從資料中提取特徵方面起著舉足輕重的作用：
- 卷積層
- 線性整流層
- 池化層
- 完全連線層
10. 長短期記憶網路
長短期記憶網路（Long Short-term Memory Network，LSTM）是一類遞迴神經網路，能夠學習和記憶長期依賴關係。長短期記憶網路還能夠長期回憶過去的資訊。它能隨著時間的推移保留資訊，這被證明在時間序列預測中是有益的。它有一個鏈狀結構，其中 4 個相互作用的層連線並進行獨特的溝通。除了時間序列預測外，長短期記憶網路還被用於藥品開發、音樂創作和語音識別。
總結
近年來，深度學習演算法和技術之所以流行，主要原因在於它們能夠處理大量的資料，然後將資料轉化成資訊。利用它的隱含層架構，深度學習技術學會了定義低級別的類別，如字母；然後是中級別的類別，如單詞；然後是高級別的類別，如句子。據某些預測，深度學習必將徹底改變供應鏈自動化。
百度前首席科學家，以及谷歌大腦專案的著名領導人之一，吳恩達（Andrew Ng）曾肯定地表示：
與深度學習類似的是，火箭發動機是深度學習模型，燃料是我們可以提供給這些演算法的海量資料。（“The analogy to deep learning is that the deep learning models are the rocket engines and the immense amount of data is the fuel to those rocket engines. ”）
因此，技術的發展和進步永遠不會停止，深度學習技術和演算法也是如此。為了在這個日新月異的世界中保持競爭力，每個人都必須跟上最新的科技進步。
作者介紹：
Aliha Tanveer，技術作家，供職於 ArhamSoft。
原文連結：
https://dzone.com/articles/10-crucial-deep-learning-algorithms-to-keep-an-eye
