作者：HPE服务器团队专家 Esther Shein
虽然我们都或多或少地听说过深度学习、机器学习和人工智能等术语，但也许您对于深度学习解决方案在现实中的应用还并不熟悉。今天就让我们共同了解一下什么是深度学习，以及如何利用这一新兴技术为企业带来成功。
深度学习是什么
什么是深度学习？它是机器学习下的一个分类，同属于人工智能的范畴。机器学习软件教会计算机执行任务的方法，而不是让计算机只按程序的指引来执行任务，使计算机能够解决深度神经网络中更复杂的问题。《福布斯》强调，神经网络会提出一系列二元问题，并根据收到的答案对所有数据进行分类。
深度学习能如何帮助您？ZDNet称，深度学习解决方案在识别和生成图像、语言、语音的领域表现出色。它使机器能够了解到，数据中的特征如何组合成越来越高级的抽象形式。这一技术几乎改变了所有行业。深度学习的另一个应用是做出预测，例如，根据VentureBeat的说法，纽约大学的一个研究小组正在使用开源神经网络来检测某些类型的肺癌，检测准确率高达97％。
深度学习的广泛应用
植入深度学习技术的产品在我们身边无处不在。例如，在智能手机中常见的面部识别应用中，软件会检查图像中像素创建的线条和形状，这些线条和形状创建的面部特征，以及面部特征排列成人脸的方式。
亚马逊的Alexa虚拟助手使用机器学习系统来了解特定人物的言论，并通过Google将其翻译成其他语言。除此之外，每一次Google搜索也使用了多个机器学习系统来理解查询中语言的上下文。这就是为什么当搜索引擎给出个性化结果时，搜索“Bass”的钓鱼爱好者（这里的”bass”指鲈鱼）并没有被乐器（指贝斯）的结果所淹没。
深度学习应用的其他领域包括：
- 无人驾驶汽车、无人驾驶飞机和机器人的计算机视觉；
- 聊天机器人和服务机器人的语言识别和处理；
- 医院放射科的肿瘤X射线识别；
- 分析物联网传感器数据，实现对基础设施的预测性维护。
这些只是深度学习无数用例中的一小部分。
“更加深度”之前的第一步
企业都想更好地了解数据，以实现更好的成果并保持竞争力。如果您的数据中有大量都是非结构化数据，可以考虑应用深度学习系统。首先，我们需要利用公共数据库或通过构建自己的数据库，来制定正确的策略；然后，您需要根据特定业务挑战构建并训练模型。《福布斯》建议，从大型模型开始训练以确保良好的结果是个好主意，您也可以在这个过程中缩小模型大小。
开发此类模型需要强大的数据和分析系统。O'Reilly Media认为，这些数据必须干净，可用，而且可靠。高度可用且可靠的数据流也是必需的，这样不论数据存储在什么位置，都可以与数据工作流进行集成。
企业数据越来越多地分布在混合云环境和不同的存储位置中。确保公共云中的数据，本地数据、还有正在流动的数据之间能相互连接是非常重要的。一旦投入生产，深度学习解决方案也必须能够快速迭代，您需要通过可见性、监控、和系统再培训来确保数据的质量和管理。
还有什么需要考虑？
ZDNet指出，深度学习算法的优点在于它们可以把无组织、无标签的数据（如视频，图像，录音和文本）组织起来并进行有用的预测，帮助解决图像分类等复杂问题。这种软件可以将特定事物（比如狗和猫）的特征整合到一起，形成完整的层级结构。深度学习也是自然语言处理和语音识别的理想选择。
请记住，虽然深度学习解决方案在处理大量数据方面具有优势，但它依然需要依托强大的计算能力。训练模型的成本花费也是要考虑到的另一个因素，因为这通常需要访问高功率硬件，如高端图形处理单元（GPU）或GPU阵列来实现。此外，我们还需要投资建立强大的数据和分析基础。
ZDNet观察到，由于“梯度消失”问题，深度神经网络的训练并不容易。随着层级的增加，很难计算每个训练步骤到底需要做出多少调整。训练神经网络以达到足够准确的结果也需要一段很长的时间。
利用深度学习走向成功
毫无疑问，在当今这个快节奏的世界中，您必须通过信息资产来更好地了解您的客户，产品，竞争对手，行业和员工。网络基础架构，以及适用于深度学习工作负载的平台和配置对此至关重要，它们可以助您解锁数据洞察并实现更好的成果。
“在不断扩展的数据世界中，人类做出的决策越来越不充分，”Gartner指出，“数据科学，尤其是机器学习，在解决那些数据丰富的、具有高复杂度的问题方面表现出色。即便是最聪明的人类，也无法达到这一成果。”
閱讀更多 HPE中國 的文章
