什麼是深度學習?
人腦透過數百萬個神經元連結來產生智慧，機器是否也能模仿人類大腦的結構，來產生自己的智慧進行學習與運作呢?
相信深度學習這個詞對很多人來講，會覺得看起來很困難，但其實大多數人在生活中都曾接觸過深度學習，只是我們並未意識到而已，舉例來說常應用在客服上的聊天機器人、近年最有話題熱度的自動駕駛系統、動口不動手超級方便的語音助理，以及臉部辨識等等...，這些都是深度學習實際應用在生活中的例子，以上提到的工具雖然都沒有真人進行操控，但卻都能擁有人類靈敏的反應能力；今天這篇文章就是帶你來探討深度學習的奧妙，機器是如何透過自身的方法，去模仿人類的行為並且去下判斷和決策的，透過5分鐘來了解一下這個即將改變人類生活型態的力量吧!
深度學習是甚麼?
深度學習其實就是一個函數公式，我們丟一堆資料給他，他再透過神經網路中的層層結構進行分析，得出各種答案，並且從中找出離標準答案最近的最佳解。
深度學習的基本概念
深度學習是由類似於人腦結構的多層神經網路組成的，深度代表模型中的隱藏層很多，而其中每一個隱藏層都能執行複雜的操作。人工神經網路由:輸入層、隱藏層、輸出層，三種類別層級所組成，因為模型在識別物體的時候，需要經過很多階段和層級才能進行判斷。
- 輸入層:神經網路的第一層，負責將資料傳輸到其他層，資料在這層不會進行任何運算。
- 隱藏層:每個模型根據難易度擁有不同數量的隱藏層，隱藏層越多代表計算上越複雜、需要花費的時間也越多，一個隱藏層由數個神經元所組成，從這裡開始進行學習。模型主要透過一層層的隱藏層來判斷資料，再根據每一層不同的權重配置得出解答。
- 輸出層:接收來自最後一個隱藏層的資料，藉由它我們能得到理想的答案。
深度學習的運作模式?
深度學習的運作模式分成三個步驟:正向傳播、計算中間的loss、反向傳播。
- 正向傳播:資料輸入到深度學習的模型中，並經過層層判斷後，會得出一個數值答案。
- 計算中間的loss:將模型得出的答案與標準答案做比較，得到中間的落差(loss)有多少。
- 反向傳播:為了要減少模型預測的答案與正確答案之間的差異，會將預測出的答案回推到模型中，透過這個過程調整、優化各個隱藏層判斷答案的權重比例。
該如何建立一個準確率高的模型架構?
如果以我們本篇文章所提到的，藉由模仿神經系統而建構出的DNN/MLP模型架構來說，想要解決的問題複雜度、難度越高，則可以透過增加隱藏層數來解決，因為可以使模型更加擬合資料，那看到這裡相信很多人就會開始有疑問，是不是只要神經網路中的層數越多，模型在判斷上就會變得更加精準?是不是每個模型都盡可能地增加其中的隱藏層會最好?以下就來為你解答。
- 神經網路只要越多層就絕對會越精準嗎?
不一定，有可能會遇到梯度消失問題（Vanishing gradient problem）。
- 什麼是梯度?
神經網路中權重的更新值和誤差值應該成比例，我們將這種現象稱作梯度，在模型中梯度是用來優化模型裡各層的權重比例，通常發生在反向傳播的訓練過程中。
- 為甚麼會發生梯度消失的狀況?
在某些情況下，梯度值會幾乎消失，通常是在神經網路層數越多的時候，並且搭配某些激活函數時，例如：sigmoid、 tanh ，會發生梯度消失的問題。 (*激活函數:每一層的運算後都會加上一個激活函數，激活函數的存在能讓神經網路理解非常複雜和非線性的函數；如果沒有激活函數的話，就只能做最原始的線性計算，這樣的話神經網路能學習到的東西就非常有限，會影響模型的精準度!)
- 梯度消失會發生甚麼狀況?
模型是透過梯度去更新權重才能讓預測越來越精準，但當模型經過越多層的判斷時，梯度就會變得越來越小、甚至消失，導致模型無法有效根據梯度去針對每一層進行權重的更新。如果沒辦法再根據梯度去更新權重時，會導致模型所預測出的數值跟正確答案之間會有很大的落差。
- 該如何去決定模型的最佳層數?
總而言之，通常隱藏層數越多，在預測訓練資料上正確率確實會越高；但層數過多也會造成我們所訓練的資料正確率很高，但實際預測的資料正確率很低的情況，所以一般在訂定模型層數時，會先大量嘗試各種不同的層數，最後使用在測試資料時正確率最高的層數。
實際應用案例?
深度學習最常應用於語音辨識、圖像辨識上，因為語音、圖像在辨識判斷上面較繁雜的關係，以下以深度學習如何判斷圖像中的物品為例，來說明他的實際運作過程。
如果以判斷圖像中的物品來說，深度學習會針對圖片中的像素(pixels)進行判讀，將圖片上的像素透過濾波器來轉換為有意義的資訊，最終就能輸出成我們想要得到的答案，如果這樣的說法太過抽象，那就簡單來說，深度學習其實就像在模仿人類大腦的運作模式，當人腦在讀一張圖的時候我們會先從最外圍的線開始判斷起，緊接著再去處理圖形的形狀，最後便能得出這個圖形的意義；以判斷貓跟狗的圖片為例子來說，透過濾波器將影像中的圖形做數據處理，並從中擷取出物體的邊緣線條、物件輪廓、突出部分，模型根據這些種種萃取出的特徵，就能合理判斷這個物體到底是狗的機率比較高還是貓的機率較高。
塔圖又是如何應用深度學習呢?
查看提升商品銷售量的秘訣👉AI、機器學習、深度學習有什麼關聯或差異? (tagtoo.com)
參考連結:
https://www.simplilearn.com/tutorials/deep-learning-tutorial/what-is-deep-learning
https://www.techtarget.com/searchenterpriseai/definition/deep-learning-deep-neural-network