在上一節(jié)的學習中，我們主要認識了什么是深度學習，深度學習有哪些成功的應用以及深度學習的優(yōu)點與缺點，總體來說就是讓我們深度的了解何為深度學習，就如文字開頭所說的“人們往往為技術(shù)而興奮。但深度學習是企業(yè)用來解決實際問題的工具。僅此而已，毋庸夸大，也無需貶低。”

對于還不了解什么是深度學習的朋友可以先閱讀《干貨|簡單易懂的深度學習指南，不服來辯！（一）》學習一下。

本篇文章我們不在對深度學習的基礎(chǔ)做講解了，而是介紹Cloudera數(shù)據(jù)和機器學習的統(tǒng)一平臺，并提供六個實用技巧，幫助您的組織開始進行深度學習。

話不多說，開始我們今天的學習吧！

Cloudera 的深度學習

Cloudera是數(shù)據(jù)和機器學習的統(tǒng)一平臺。使用Cloudera，您可以深度學習您的數(shù)據(jù)，而不是相反。

對于當今復雜的技術(shù)環(huán)境，企業(yè)需要選擇和靈活性。 Cloudera 具有多種方式來訓練和部署深度學習模型，無需新的孤島或數(shù)據(jù)遷移。

Cloudera 數(shù)據(jù)科學工作臺

Cloudera 數(shù)據(jù)科學工作臺（CDSW）可實現(xiàn)快速，簡單，安全的自助數(shù)據(jù)科學。缺 省條件下就是安全及合規(guī)的，支持完整的 Cloudera 認證、授權(quán)、加密和治理。

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

圖：Cloudera 數(shù)據(jù)科學工作臺

 最新的 CDSW 版本支持 GPU 的設(shè)備。 GPU 是加速計算密集型工作負載的專用處理器。 GPU 特別適合于深度學習模型的訓練步驟。 CDSW 使數(shù)據(jù)科學家可以將傳統(tǒng)硬件用于數(shù)據(jù)準備和發(fā)現(xiàn)等任務，并在 GPU 加速的機器上訓練深度學習模型。

CDSW 用戶共享可用的 GPU 資源。用戶請求特定數(shù)量的 GPU 實例，最多可達一個節(jié)點上的總數(shù)。 CDSW在運行期間將GPU分配給作業(yè)。項目可以使用隔離版本的庫，甚至通過 CDSW 的可擴展引擎功能，使用不同的 CUDA 和 cuDNN 版本。

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

如何開始進行深度學習

在最近的數(shù)據(jù)科學和機器學習 Hype Cycle 報告中，Gartner 將深度學習定位成“膨脹中期望的高峰”：

在這個過份狂熱和不現(xiàn)實的預測階段中，技術(shù)領(lǐng)導者的廣泛宣傳活動取得了一些成功，但更多的是失敗，因為技術(shù)被推向極限。唯一賺錢的企業(yè)是會議組織者和 雜志出版社。

關(guān)于深度學習的炒作給企業(yè)架構(gòu)師同時帶來機會和風險。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習獲得競爭優(yōu)勢。另一方面，過度的熱情可 能導致組織機構(gòu)投資昂貴而無用，或?qū)⒐蓛r拉低，因而從長遠角度，削弱了從深度學習中獲利的能力。

與大多數(shù)新技術(shù)一樣，快速變化的標準使投資具有挑戰(zhàn)性。谷歌發(fā)布了用于深度 學習的 TensorFlow 軟件并在 2015 年 11 月開放源代碼；在幾個月內(nèi)，它成為開源生態(tài)系統(tǒng)中最為積極開發(fā)的機器學習項目。自從谷歌發(fā)布以來，亞馬遜，微軟和英特爾都已經(jīng)發(fā)布了深度學習的開源項目。雖然 TensorFlow 是當今最受數(shù)據(jù)科學家歡迎的深度學習框架，但是我們并不確認它會永久保持這種狀態(tài)。

鑒于深度學習的力量和潛力，我們有幾個務實的提示。

專注于解決業(yè)務問題。谷歌，微軟和百度并沒有因為深度學習很酷，或者因為咨詢顧問告訴他們創(chuàng)新是重要的，而成為深度學習的重磅力量。他們這樣做是因為他們有緊迫的業(yè)務問題，深度學習為解決這個問題提供了一個辦法。

深度學習也可能是您企業(yè)機構(gòu)的正確工具。但是，如果您沒有仔細地定義業(yè)務問題， 概括出捕獲和管理數(shù)據(jù)的策略，并先嘗試使用簡單的技術(shù)，您可能會構(gòu)建一個沒 人會用的深度學習功能。

仔細選擇試點項目。如果您的機構(gòu)沒有接觸過深度學習，計劃的長期成功可能取決于您最初幾個項目的結(jié)果。深度學習最有可能對以下項目產(chǎn)生影響：

• 圖像和視頻分類或標記
• 對象識別
• 手寫識別
• 語音識別
• 語音翻譯
• 文字處理

這些問題通常具有上述我們認為的深度學習的屬性：高基數(shù)結(jié)果，維度和未標記 的數(shù)據(jù)。

嘗試用深度學習改進現(xiàn)有的以常規(guī)技術(shù)為基礎(chǔ)的模型，大多數(shù)時間都會產(chǎn)生令人 失望的結(jié)果。為了獲得更好的結(jié)果，數(shù)據(jù)科學家將向建模過程引入新的數(shù)據(jù)。例如， 醫(yī)院通過添加醫(yī)療專業(yè)人員所記錄的患者數(shù)據(jù)來提高預測再住院模型的準確性。

首先整理數(shù)據(jù)。大概很有沖動讓你的團隊一頭扎進訓練深度學習的模型吧。這種做法可能有助于學習。但請記住，在每一個深度學習的成功故事背后，都有一個數(shù)據(jù)的成功故事。

成功的深度學習應用基于三個不同流程的定義數(shù)據(jù)流：

• 初步模型訓練
• 模型的更新
• 推論

如何設(shè)計這些流程將決定您的應用的成功。例如，盡管可以將大型數(shù)據(jù)集復制到 一個離線平臺進行初始訓練，但是對于模型的更新，因為要不斷重復執(zhí)行，而可 能變得成本高昂。在今天快節(jié)奏的業(yè)務中，模型的頻繁更新是機器學習所有分支 的常態(tài)。除非您允許這樣做，否則您的項目可能會成為高維護費用“孤兒”。

同樣，除非您的團隊已經(jīng)想清楚如何使用一個深度學習模型來進行推論，否則您 很有可能會創(chuàng)建一個沒有人用的偉大模型。使用該應用的業(yè)務可能需要具有服務 級別保證的低延遲推論。您的深度學習項目規(guī)劃要考慮這一點，否則項目將失敗。

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

利用傳遞學習。除非您的機構(gòu)已經(jīng)有從頭開始構(gòu)建深度學習模型的豐富經(jīng)驗，否則預先訓練的模型是開始的最佳方式。檢查公開的模型庫，如 Caffe Model Zoo。如果您找到一個近似于您要解決的問題的模型，先不要改變，運行它以建立精確度基線。使用傳遞學習建立在現(xiàn)有的模型上，而不是從頭開始。傳遞學習減少了對大量訓練數(shù)據(jù)集和計算能力的需求。

不要創(chuàng)建新的孤島。您的組織投資數(shù)百萬美元無數(shù)時間來消除阻礙整合的孤島。絕對不要再創(chuàng)造一個新的孤單。一些供應商認為，深度學習是新鮮事物與眾不同，因而需要一個全新的高級分析平臺。請記住：將數(shù)據(jù)帶入深度學習平臺遠遠難于將深度學習帶入您的數(shù)據(jù)平臺。

關(guān)于 Cloudera

Cloudera基于最新的開源技術(shù)提供用于機器學習和分析，優(yōu)化于云端的現(xiàn)代化平臺。全球領(lǐng)先的組織機構(gòu)都信任 Cloudera，通過高效地捕捉、存儲、處理和分析海量數(shù)據(jù)來幫助他們解決最具挑戰(zhàn)性的業(yè)務問題。

慧都大數(shù)據(jù)專業(yè)團隊為企業(yè)提供Cloudera大數(shù)據(jù)平臺搭建，免費業(yè)務咨詢，定制開發(fā)等完整服務，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)專家團隊，并發(fā)送相關(guān)行業(yè)資料給您！