机器视觉 2021-05-24 10571
深度学习是人工智能的子集。就像大脑中有神经网络一样，深度学习使用人工神经网络来使用原始输入数据，对多种关系进行建模和处理，并并行转换为输出。它涉及使用输入数据的前向路径，输入数据的后向路径以及遍历数据的多次遍历，在输入和输出之间的数百个层上进行复杂的数学计算和分析。例如，在为质量过程实现它的过程中，提供了数千张图像作为输入。对这些图像逐个像素进行处理，以构建学习算法，制定规则并实现所需的输出。
以下是深度学习的一些关键特征–
它消耗大量原始输入数据。
它通过多层非线性处理输入数据以计算目标输出。它是计算量大的。
我们并不总是知道深度学习算法得出的结论，因此在实现它们时必须谨慎。
它需要专门的硬件（例如图形处理单元（GPU））来优化学习。
由于复杂的硬件和所需的存储量，实施深度学习算法的成本很高。此外，需要训练有素的人力资源来开发和执行深度学习算法。
深度学习算法需要花费更长的时间来训练，但是比调试更容易训练。培训涉及一定数量的编码并提供正确的输入数据。然后，该算法通过学习来开发逻辑。因此，很难对其进行手动调试或跟踪错误。我们可以通过微调数据或添加其他数据来改进模型。由于我们生活在数据时代，因此使用数据来改进模型或构建新模型比调试模型更容易。
深度学习算法涉及输入和输出数据之间数百层的复杂数学计算。基于规则的算法遵循结构化的逻辑路径。在深度学习中，您提供输入数据和假设参数并应用逻辑决策。您选择要完成的操作以及算法应学习的速率。深度学习算法然后独立地发挥其魔力。随着数据输入的变化，它可以微调其分析。
因此，它可以应用于复杂的业务场景，例如自动驾驶或模式识别。另一方面，在基于规则的编程中，您对每个细节和每个步骤进行编码。发生更改时，您必须显式编码以合并新功能。它具有特定的预编程块。因此，基于规则的编程可以实现的功能受到限制。绕过深度学习算法并不容易，并且由于构建的逻辑非常复杂并且涵盖了各种场景，因此您无法在深度学习中很好地实现错误跟踪。基于规则的编程易于调试和测试。
业务场景变得越来越复杂，具有更多的变量，个性化，法规和高度的互连性。传统算法无法处理当前的业务场景。硬件得到了极大的改善，我们掌握了更多的计算能力。现在有可能进行大量的数据收集，存储和处理。所有这些因素的结合使深度学习能够以更少的精力提供更好的性能。
深度学习是一项强大而快速的技术。如果以正确的方式利用它并在适当的业务场景中使用它，则可以证明对质量控制和保证有重大影响。
