在上一節(jié)的學(xué)習(xí)中，我們主要認(rèn)識(shí)了什么是深度學(xué)習(xí)，深度學(xué)習(xí)有哪些成功的應(yīng)用以及深度學(xué)習(xí)的優(yōu)點(diǎn)與缺點(diǎn)，總體來(lái)說(shuō)就是讓我們深度的了解何為深度學(xué)習(xí)，就如文字開(kāi)頭所說(shuō)的“人們往往為技術(shù)而興奮。但深度學(xué)習(xí)是企業(yè)用來(lái)解決實(shí)際問(wèn)題的工具。僅此而已，毋庸夸大，也無(wú)需貶低。”

對(duì)于還不了解什么是深度學(xué)習(xí)的朋友可以先閱讀《干貨|簡(jiǎn)單易懂的深度學(xué)習(xí)指南，不服來(lái)辯！（一）》學(xué)習(xí)一下。

本篇文章我們不在對(duì)深度學(xué)習(xí)的基礎(chǔ)做講解了，而是介紹Cloudera數(shù)據(jù)和機(jī)器學(xué)習(xí)的統(tǒng)一平臺(tái)，并提供六個(gè)實(shí)用技巧，幫助您的組織開(kāi)始進(jìn)行深度學(xué)習(xí)。

話不多說(shuō)，開(kāi)始我們今天的學(xué)習(xí)吧！

Cloudera 的深度學(xué)習(xí)

Cloudera是數(shù)據(jù)和機(jī)器學(xué)習(xí)的統(tǒng)一平臺(tái)。使用Cloudera，您可以深度學(xué)習(xí)您的數(shù)據(jù)，而不是相反。

對(duì)于當(dāng)今復(fù)雜的技術(shù)環(huán)境，企業(yè)需要選擇和靈活性。 Cloudera 具有多種方式來(lái)訓(xùn)練和部署深度學(xué)習(xí)模型，無(wú)需新的孤島或數(shù)據(jù)遷移。

Cloudera 數(shù)據(jù)科學(xué)工作臺(tái)

Cloudera 數(shù)據(jù)科學(xué)工作臺(tái)（CDSW）可實(shí)現(xiàn)快速，簡(jiǎn)單，安全的自助數(shù)據(jù)科學(xué)。缺 省條件下就是安全及合規(guī)的，支持完整的 Cloudera 認(rèn)證、授權(quán)、加密和治理。

CDSW 為數(shù)據(jù)科學(xué)家提供了一個(gè)基于瀏覽器的開(kāi)發(fā)環(huán)境，適用于 Python，R 和 Scala。用戶可以在自定義設(shè)置中下載和實(shí)驗(yàn)最新的庫(kù)和框架，并輕松地與同行共 享項(xiàng)目。該軟件包括內(nèi)置的調(diào)度，監(jiān)控和郵件警報(bào)。

圖：Cloudera 數(shù)據(jù)科學(xué)工作臺(tái)

 最新的 CDSW 版本支持 GPU 的設(shè)備。 GPU 是加速計(jì)算密集型工作負(fù)載的專用處理器。 GPU 特別適合于深度學(xué)習(xí)模型的訓(xùn)練步驟。 CDSW 使數(shù)據(jù)科學(xué)家可以將傳統(tǒng)硬件用于數(shù)據(jù)準(zhǔn)備和發(fā)現(xiàn)等任務(wù)，并在 GPU 加速的機(jī)器上訓(xùn)練深度學(xué)習(xí)模型。

CDSW 用戶共享可用的 GPU 資源。用戶請(qǐng)求特定數(shù)量的 GPU 實(shí)例，最多可達(dá)一個(gè)節(jié)點(diǎn)上的總數(shù)。 CDSW在運(yùn)行期間將GPU分配給作業(yè)。項(xiàng)目可以使用隔離版本的庫(kù)，甚至通過(guò) CDSW 的可擴(kuò)展引擎功能，使用不同的 CUDA 和 cuDNN 版本。

使用CDSW的數(shù)據(jù)科學(xué)家可以使用任何具有Python，R或Scala API的深度學(xué)習(xí)框架，包 括 TensorFlow，Keras，Theano，Microsoft Cognitive Toolkit（CNTK），Caffe，PyTorch，DL4J，Apache MXNet，Torch 和 BigDL。

如何開(kāi)始進(jìn)行深度學(xué)習(xí)

在最近的數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí) Hype Cycle 報(bào)告中，Gartner 將深度學(xué)習(xí)定位成“膨脹中期望的高峰”：

在這個(gè)過(guò)份狂熱和不現(xiàn)實(shí)的預(yù)測(cè)階段中，技術(shù)領(lǐng)導(dǎo)者的廣泛宣傳活動(dòng)取得了一些成功，但更多的是失敗，因?yàn)榧夹g(shù)被推向極限。唯一賺錢(qián)的企業(yè)是會(huì)議組織者和 雜志出版社。

關(guān)于深度學(xué)習(xí)的炒作給企業(yè)架構(gòu)師同時(shí)帶來(lái)機(jī)會(huì)和風(fēng)險(xiǎn)。一方面，廣為傳播的成 功案例增加了高管的興趣尋求深度學(xué)習(xí)獲得競(jìng)爭(zhēng)優(yōu)勢(shì)。另一方面，過(guò)度的熱情可 能導(dǎo)致組織機(jī)構(gòu)投資昂貴而無(wú)用，或?qū)⒐蓛r(jià)拉低，因而從長(zhǎng)遠(yuǎn)角度，削弱了從深度學(xué)習(xí)中獲利的能力。

與大多數(shù)新技術(shù)一樣，快速變化的標(biāo)準(zhǔn)使投資具有挑戰(zhàn)性。谷歌發(fā)布了用于深度 學(xué)習(xí)的 TensorFlow 軟件并在 2015 年 11 月開(kāi)放源代碼；在幾個(gè)月內(nèi)，它成為開(kāi)源生態(tài)系統(tǒng)中最為積極開(kāi)發(fā)的機(jī)器學(xué)習(xí)項(xiàng)目。自從谷歌發(fā)布以來(lái)，亞馬遜，微軟和英特爾都已經(jīng)發(fā)布了深度學(xué)習(xí)的開(kāi)源項(xiàng)目。雖然 TensorFlow 是當(dāng)今最受數(shù)據(jù)科學(xué)家歡迎的深度學(xué)習(xí)框架，但是我們并不確認(rèn)它會(huì)永久保持這種狀態(tài)。

鑒于深度學(xué)習(xí)的力量和潛力，我們有幾個(gè)務(wù)實(shí)的提示。

專注于解決業(yè)務(wù)問(wèn)題。谷歌，微軟和百度并沒(méi)有因?yàn)樯疃葘W(xué)習(xí)很酷，或者因?yàn)樽稍冾檰?wèn)告訴他們創(chuàng)新是重要的，而成為深度學(xué)習(xí)的重磅力量。他們這樣做是因?yàn)樗麄冇芯o迫的業(yè)務(wù)問(wèn)題，深度學(xué)習(xí)為解決這個(gè)問(wèn)題提供了一個(gè)辦法。

深度學(xué)習(xí)也可能是您企業(yè)機(jī)構(gòu)的正確工具。但是，如果您沒(méi)有仔細(xì)地定義業(yè)務(wù)問(wèn)題， 概括出捕獲和管理數(shù)據(jù)的策略，并先嘗試使用簡(jiǎn)單的技術(shù)，您可能會(huì)構(gòu)建一個(gè)沒(méi) 人會(huì)用的深度學(xué)習(xí)功能。

仔細(xì)選擇試點(diǎn)項(xiàng)目。如果您的機(jī)構(gòu)沒(méi)有接觸過(guò)深度學(xué)習(xí)，計(jì)劃的長(zhǎng)期成功可能取決于您最初幾個(gè)項(xiàng)目的結(jié)果。深度學(xué)習(xí)最有可能對(duì)以下項(xiàng)目產(chǎn)生影響：

• 圖像和視頻分類或標(biāo)記
• 對(duì)象識(shí)別
• 手寫(xiě)識(shí)別
• 語(yǔ)音識(shí)別
• 語(yǔ)音翻譯
• 文字處理

這些問(wèn)題通常具有上述我們認(rèn)為的深度學(xué)習(xí)的屬性：高基數(shù)結(jié)果，維度和未標(biāo)記 的數(shù)據(jù)。

嘗試用深度學(xué)習(xí)改進(jìn)現(xiàn)有的以常規(guī)技術(shù)為基礎(chǔ)的模型，大多數(shù)時(shí)間都會(huì)產(chǎn)生令人 失望的結(jié)果。為了獲得更好的結(jié)果，數(shù)據(jù)科學(xué)家將向建模過(guò)程引入新的數(shù)據(jù)。例如， 醫(yī)院通過(guò)添加醫(yī)療專業(yè)人員所記錄的患者數(shù)據(jù)來(lái)提高預(yù)測(cè)再住院模型的準(zhǔn)確性。

首先整理數(shù)據(jù)。大概很有沖動(dòng)讓你的團(tuán)隊(duì)一頭扎進(jìn)訓(xùn)練深度學(xué)習(xí)的模型吧。這種做法可能有助于學(xué)習(xí)。但請(qǐng)記住，在每一個(gè)深度學(xué)習(xí)的成功故事背后，都有一個(gè)數(shù)據(jù)的成功故事。

成功的深度學(xué)習(xí)應(yīng)用基于三個(gè)不同流程的定義數(shù)據(jù)流：

• 初步模型訓(xùn)練
• 模型的更新
• 推論

如何設(shè)計(jì)這些流程將決定您的應(yīng)用的成功。例如，盡管可以將大型數(shù)據(jù)集復(fù)制到 一個(gè)離線平臺(tái)進(jìn)行初始訓(xùn)練，但是對(duì)于模型的更新，因?yàn)橐?不斷重復(fù)執(zhí)行，而可 能變得成本高昂。在今天快節(jié)奏的業(yè)務(wù)中，模型的頻繁更新是機(jī)器學(xué)習(xí)所有分支 的常態(tài)。除非您允許這樣做，否則您的項(xiàng)目可能會(huì)成為高維護(hù)費(fèi)用“孤兒”。

同樣，除非您的團(tuán)隊(duì)已經(jīng)想清楚如何使用一個(gè)深度學(xué)習(xí)模型來(lái)進(jìn)行推論，否則您 很有可能會(huì)創(chuàng)建一個(gè)沒(méi)有人用的偉大模型。使用該應(yīng)用的業(yè)務(wù)可能需要具有服務(wù) 級(jí)別保證的低延遲推論。您的深度學(xué)習(xí)項(xiàng)目規(guī)劃要考慮這一點(diǎn)，否則項(xiàng)目將失敗。

擁抱開(kāi)源。數(shù)據(jù)科學(xué)家更喜歡開(kāi)源軟件。所有最廣泛使用的深度學(xué)習(xí)框架都是開(kāi)源的。市場(chǎng)上有一些商業(yè)選擇，但沒(méi)有證據(jù)表明它們性能優(yōu)于開(kāi)源框架。

利用傳遞學(xué)習(xí)。除非您的機(jī)構(gòu)已經(jīng)有從頭開(kāi)始構(gòu)建深度學(xué)習(xí)模型的豐富經(jīng)驗(yàn)，否則預(yù)先訓(xùn)練的模型是開(kāi)始的最佳方式。檢查公開(kāi)的模型庫(kù)，如 Caffe Model Zoo。如果您找到一個(gè)近似于您要解決的問(wèn)題的模型，先不要改變，運(yùn)行它以建立精確度基線。使用傳遞學(xué)習(xí)建立在現(xiàn)有的模型上，而不是從頭開(kāi)始。傳遞學(xué)習(xí)減少了對(duì)大量訓(xùn)練數(shù)據(jù)集和計(jì)算能力的需求。

不要?jiǎng)?chuàng)建新的孤島。您的組織投資數(shù)百萬(wàn)美元無(wú)數(shù)時(shí)間來(lái)消除阻礙整合的孤島。絕對(duì)不要再創(chuàng)造一個(gè)新的孤單。一些供應(yīng)商認(rèn)為，深度學(xué)習(xí)是新鮮事物與眾不同，因而需要一個(gè)全新的高級(jí)分析平臺(tái)。請(qǐng)記住：將數(shù)據(jù)帶入深度學(xué)習(xí)平臺(tái)遠(yuǎn)遠(yuǎn)難于將深度學(xué)習(xí)帶入您的數(shù)據(jù)平臺(tái)。

關(guān)于 Cloudera

Cloudera基于最新的開(kāi)源技術(shù)提供用于機(jī)器學(xué)習(xí)和分析，優(yōu)化于云端的現(xiàn)代化平臺(tái)。全球領(lǐng)先的組織機(jī)構(gòu)都信任 Cloudera，通過(guò)高效地捕捉、存儲(chǔ)、處理和分析海量數(shù)據(jù)來(lái)幫助他們解決最具挑戰(zhàn)性的業(yè)務(wù)問(wèn)題。

慧都大數(shù)據(jù)專業(yè)團(tuán)隊(duì)為企業(yè)提供Cloudera大數(shù)據(jù)平臺(tái)搭建，免費(fèi)業(yè)務(wù)咨詢，定制開(kāi)發(fā)等完整服務(wù)，快速、輕松、低成本將任何Hadoop集群從試用階段轉(zhuǎn)移到生產(chǎn)階段。

歡迎撥打慧都熱線023-68661681或咨詢，我們將幫您轉(zhuǎn)接大數(shù)據(jù)專家團(tuán)隊(duì)，并發(fā)送相關(guān)行業(yè)資料給您！