深度学习训练与推断：有何区别？

机器学习推断是系统根据新数据做出预测的能力。例如，如果您需要处理来自极其分散的物联网网络的大量新积累的信息，这可能会很有帮助。

这里有一个简单的类比：假设您在教孩子按颜色对不同的水果进行分类，您可以先给他们看一个西红柿、一个苹果和一个樱桃，让他们知道这些水果是红色的。之后，在您第一次给他们看草莓时，他们也能推断出这种水果是红色的，因为其颜色与苹果、番茄及樱桃相似。

机器学习推断需要三个关键组件：数据源、处理数据的机器学习系统和数据目的地。

有时，数据源可能其实是多个来源，从多个地方积累信息。从一系列物联网输入中捕获信息时，情况就是这样的。机器学习模型采用一系列数学算法在实时数据进入时对其进行分类和分析。这些算法可以根据数据品质特性进行推断，进而找出项目之间的差异。然后，该模型会对这些数据点进行“评分”，并根据训练其解释数据的方法提供输出。这些输出分数有助于确定下一步行动。

例如，假设您正在从电子商务网站上的客服聊天机器人那里收集数据，您的数据源将是来自在线聊天平台的客户输入。然后，机器学习模型可以确定：如果客户写入的内容是他们对产品“不满意”，客户可能就想退款。其它系统随后可帮助该客户退款。

在深度学习训练过程中，DNN 会筛选预先存在的数据，并根据其“认为”的数据所代表的内容得出结论。每次得出错误结论时，就会将该结果反馈给系统，以便系统从其错误中“学习”。

该过程不仅会随时间的推移，使人工神经元之间的联系变得更强，而且还会增加系统在未来做出准确预测的几率。随着新数据的出现，DNN 应该能够对可能更复杂的新信息进行分类和分析。最终，它将继续从其遭遇中吸取教训并随着时间的推移变得更加直观。

深度学习推断离不开训练。在机器学习中，深度学习训练与推断的区别在于：深度学习训练是深度学习推断的重要组成部分。

想想人类是如何通过学习来完成任务的：通过学习如何完成任务、通过阅读手册、观看操作视频，或者在别人完成任务时注意观察其操作。我们学习模仿他人的方式与 DNN 获取模式并从现有数据中执行推断的方式相同。

深度学习可应用于各行各业，从医疗保健到航空航天工程，不一而足。但在机器需要实时做出多项决策的情况下，比如自动驾驶汽车，其尤为有用。

假设您正在训练一辆无人驾驶汽车遵守交通法规。该汽车的系统首先需要熟悉交通规则。因此，程序员会通过数据集对其进行训练，帮助它学习识别交通标志、红绿灯以及行人等。它记住交通规则的方法将会是：通过观察示例并学习分析当它看到某些标志或场景时应该执行的操作。

但行驶在路上时，车辆需要根据其周围的环境进行推断。训练车辆在红色停车标志前停车听起来很简单，但如果实际停车标志与数据集中的停车标志字体不同或红色的深浅略有不同，会出现什么情况？

这就是深度学习推断的用武之地：它会帮助机器弥合训练其所用的数据与现实世界中模糊信息之间的差距。DNN 可以从它识别的特征中进行推断，因此车辆可以推断出它遇到的标志仍然是停车标志。