什麼是深度學習？

深度學習是機器學習的一個分支，運用具有多個處理層的神經網路，從大量資料中自主探索錯綜複雜的結構並學習。與傳統機器學習不同，深度學習系統能隨著取得的資料增加而持續提升學習效能。

人們從經驗中學習，體驗越豐富，學到的東西就越多。在稱為深度學習的人工智慧 (AI)學科中，由 AI 硬體和軟體所驅動的機器也是如此。機器可以學習的經驗由它們所取得的資料定義，而資料的數量和品質決定了它們可以學習的程度。

深度學習系統在取得足夠經驗後，就可以執行特定工作，例如駕駛汽車、偵測農田裡的雜草、偵測疾病，以及檢查機械找出故障。

深度學習如何運作？

深度學習網路透過探索資料中錯綜複雜的結構來學習。這些網路建立具有多個處理層的運算模型，形成多個抽象層來呈現資料。

以卷積神經網路 (CNN) 這類深度學習模型為例，可以使用數百萬張影像（例如含有貓的影像）來訓練。這類神經網路通常從影像所含的像素中學習，將代表貓特徵的像素群組予以分類，當出現爪子、耳朵和眼睛等特徵時，就表示影像中存在貓。

深度學習與傳統機器學習在根本上並不相同。傳統機器學習需要領域專家花費大量時間設計系統來偵測代表貓的特徵；深度學習則只需提供大量的貓影像，系統就能自主學習這些特徵。

對於電腦視覺、語音辨識、機器翻譯和機器人等工作，深度學習系統的表現遠遠超過傳統機器學習系統。這並不表示建置深度學習系統相對容易，雖然特徵辨識能夠自主進行，但仍需要調整數千個超參數 (hyperparameters) 才能讓模型發揮效用。

深度學習與機器學習有何不同？

深度學習是機器學習的子集，兩者的核心差異在於特徵學習的方式與對資料量的依賴。下表比較兩者的關鍵區別。

深度學習的類型與神經網路架構有哪些？

深度學習包含多種針對特定輸入與工作最佳化的神經網路架構。以下是常見的類型：

• 卷積神經網路 (CNN)：擅長分類影像，廣泛用於電腦視覺。
• 循環神經網路 (RNN)：用於處理順序資料，例如時間序列或文字。
• Transformer 架構：現今大型語言模型 (LLM) 與生成式 AI 的基礎架構，擅長處理長序列資料。
• 深度強化學習 (DRL)：代理程式透過獎勵與懲罰反覆試驗學習。

卷積神經網路模型和循環神經網路模型都執行監督式學習，表示需要龐大的標記資料才能學習。無監督學習則讓系統在缺少標記的情況下自行找出資料中的結構。

為何深度學習很重要？

深度學習技術正協助我們實現新的突破。深度學習在發現系外行星和新藥物，以及偵測疾病與次原子粒子方面發揮了重要作用，並增強了我們對生物學的理解，包括基因學、蛋白質體學、代謝學與免疫學。

我們也面臨嚴峻的挑戰。氣候變遷威脅著糧食生產，而人口持續成長將加劇環境變遷所帶來的挑戰。這些挑戰的範圍和規模，需要透過深度學習實現更高層次的應對智慧。

大約 5 億 4 千萬年前的寒武紀大爆發期間，視覺成為動物的競爭優勢，並很快成為進化的主要驅動力。生物神經網路在處理視覺資訊上的進化，為動物提供了周圍環境的地圖。

攝影機作為人造眼睛，結合可處理視覺資訊的神經網路，帶動了資料導向 AI 應用程式的爆炸性成長。正如視覺在地球生命進化中的關鍵角色，深度學習和神經網路也將增強機器人的能力，讓它們更瞭解環境、做出自主決策，並與人類合作。

深度學習使用案例範例

深度學習已在多個產業展現實際價值，從機器人與農業到醫療影像皆有應用。以下是幾個具代表性的範例。

機器人領域的深度學習

機器人領域的許多最新發展由 AI 和深度學習所帶動。AI 讓機器人能夠感知環境並做出回應，擴大了它們可執行的功能範圍，從在倉儲樓層中導航，到分類和處理不均勻、易碎或混雜在一起的物體。像撿起草莓這樣對人類簡單的工作，對機器人卻非常困難，而 AI 的發展將持續提升機器人的能力。

隨著 AI 進步，機器人會越來越常被當作人類的助手。它們不僅能理解和回答問題，還能根據語音命令和手勢採取行動，甚至預測員工的下一步動作。如今，協作機器人已與人類一起工作，各自執行最適合其優勢的工作。

農業領域的深度學習

農業領域運用深度學習，讓農民部署能夠區分農作物和雜草的設備。這種能力使除草機能夠選擇性地只對雜草噴灑除草劑，而不影響其他植物。

使用具備深度學習電腦視覺功能的農業機器時，甚至可以透過選擇性噴灑除草劑、肥料、殺菌劑、殺蟲劑和生物製劑來最佳化田地中的個別植物。除了減少除草劑用量、改善農業產出之外，深度學習還能延伸到施肥、灌溉和收割等其他農業操作。

醫療影像與醫療領域的深度學習

醫療影像領域特別適合深度學習，因為擁有高品質的資料，並可使用卷積神經網路 (CNN) 對影像進行分類。深度學習在分類皮膚癌方面可能與皮膚科醫生一樣有效，甚至更好。

有幾家廠商的深度學習演算法已獲得 FDA 核准用於診斷用途，包括腫瘤學和視網膜疾病的影像分析。深度學習還能透過電子健康記錄資料預測醫療事件，在提高醫療品質方面取得重大進展。

深度學習的當前發展方向

深度學習目前已有多種針對特定輸入與工作最佳化的神經網路架構。卷積神經網路非常適合分類影像，循環神經網路則用於處理順序資料。這兩種模型都執行監督式學習，需要龐大資料才能學習，而業界正投入大量研究，開發無監督和半監督的學習技術。

深度強化學習 (DRL) 是一個持續進展的領域，DRL 程式在古老的圍棋遊戲中擊敗人類就是明證。設計神經網路架構非常困難，因為需要調整許多超參數並選擇多個損失函數，因此讓神經網路自主學習更佳架構的研究相當活躍，這種「學會學習」也稱為元學習或自動化機器學習 (AutoML)。

目前的人工神經網路以 1950 年代對人類大腦處理資訊的理解為基礎。神經科學自此已有長足進步，而深度學習架構變得非常精密，甚至似乎呈現出如網格細胞這類存在於生物神經大腦中用於導航的結構。神經科學和深度學習可能會在某個時間點開始融合。近年來量子運算領域取得了多項突破，而量子機器學習仍是機器學習中相當活躍的分支。

深度學習有哪些優勢與限制？

深度學習相較於傳統方法有明顯優勢，但也伴隨值得誠實看待的限制。

深度學習的主要優勢：

• 系統能從原始資料中自主學習特徵，減少人工設計的負擔。
• 隨著資料增加，效能持續提升。
• 在影像、語音與電腦視覺等複雜工作上表現優異。

深度學習的主要限制：

• 需要龐大的標記資料，資料不足時效能受限。
• 訓練需要大量運算資源。
• 需要調整數千個超參數，開發過程複雜。
• 多數主流模型仰賴監督式學習，依賴標記資料。

深度學習需要哪些先決條件？

深度學習專案要成功，需要具備資料、運算與資料管理三方面的基礎。

• 資料：需要大量且高品質的資料，以卷積神經網路 (CNN) 為例，訓練往往需要數百萬個樣本。
• 運算能力：訓練多層神經網路需要加速運算硬體。
• 資料管理與儲存：需要能高效存取與擴充的儲存基礎架構。NetApp ONTAP® 資料管理軟體可跨內部部署與雲端提供一致的高效能資料存取，加速 AI 工作負載。

深度學習的工具、框架與硬體有哪些？

建置深度學習系統需要框架、運算硬體與可擴充的資料基礎架構三者搭配。

• 深度學習框架：常見的開發框架包括 TensorFlow 與 PyTorch，用於建構與訓練神經網路。
• 加速運算硬體：GPU 等加速運算硬體用於處理大規模平行運算的訓練工作。
• 儲存與資料基礎架構：深度學習工作負載需要高吞吐量的資料存取。NetApp StorageGRID 物件儲存可為大規模資料集提供可擴充的儲存基礎。

常見問題 (FAQ)

深度學習和機器學習有什麼不同？

深度學習是機器學習的一個分支。傳統機器學習演算法無論取得多少資料，學習能力都有侷限；深度學習系統則能隨著資料增加持續提升效能，並自主辨識特徵。

深度學習需要多少資料才能運作？

深度學習需要龐大資料才能學習。以卷積神經網路 (CNN) 為例，訓練往往需要數百萬張影像，資料的數量與品質直接決定模型的學習程度。

什麼是卷積神經網路 (CNN)？

卷積神經網路 (CNN) 是一種深度學習架構，特別擅長分類影像。它從影像的像素中學習，將代表特定特徵的像素群組予以分類。

深度學習有哪些主要限制？

深度學習需要龐大的標記資料與運算資源，並須調整數千個超參數。多數主流模型採用監督式學習，對資料量與運算硬體的依賴是主要限制。

執行深度學習需要哪些基礎架構？

深度學習工作負載需要大量資料、加速運算硬體與可擴充的儲存與資料管理。像 NetApp ONTAP 這類平台可提供高效能資料存取，加速 AI 工作負載。