第1节：深度学习与机器学习的区别_深度学习和机器学习的区别

前言

首先，关于机器学习 ，深度学习 ，人工智能的相关概念和领域划分详情可参见这篇文章一文看懂人工智能、机器学习、深度学习与神经网络之间的区别与关系

那么我们今天要说的深度学习与机器学习的区别主要体现在以下三个方面：特征提取方面，数据量和计算性能的要求方面，算法方面。

特征提取方面

下面我们通过一张图来分析一下其过程

从上边的机器学习和深度学习的流程图我们可以看到，两个流程的输入和输出都是相同的，输入都是一张小汽车的图片，出处都是识别为小汽车的结果输出，到底是不是一辆小汽车。

那么在这个过程中到底发生了什么，就是机器学习和深度学习的区别。

我们可以看到，在机器学习中，就是我们接触到的传统的机器学习算法当中有两个步骤，一个就是人工的特征提取（即图中的Feature extraction）,又叫特征工程，然后再放入到分类器（Classification）中，用到分类算法。

但是在深度学习中我们可以看到，他其实并没有经过人工特征提取这一步，而是直接将特征值放进来，然后直接让神经网络去进行Feature extraction和Classification，也就是说这个神经网络可以自动进行特征提取，并进行分类。

这就是传统的机器学习和深度学习的显著不同。

具体介绍：

特征提取方面

• 机器学习的特征工程步骤是靠手动完成的，而且需要大量领域专业知识
• 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。通过训练大量数据自动得出模型，不需要人工特征提取环节。

深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像，语音，自然语言处理领域。

数据量和计算性能要求

机器学习需要的执行时间远少于深度学习，深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。

我们来看下上边这张图，图中的横坐标是数据量，纵坐标是性能，红色的是传统的机器学习，蓝色的是深度学习。随着数据量的增大，我们可以看到传统的机器学习是有瓶颈的，当数据量达到某一阈值的时候，传统的机器学习算法的性能趋于稳定，所以当数据量很大的时候传统的机器学习算法并不适合处理庞大的数据量，因为其性能无法提高。而深度学习算法随着数据量的增大，其性能保持跟数据量正相关，也就是数据量越大其性能越好，所以当数据量庞大的时候，深度学习算法更适合。

第一，深度学习需要大量的训练数据集
第二，训练深度神经网络需要大量的算力
可能要花费数天，甚至数周的时间，才能使用数百万张图像的数据集训练出一个深度网络。
所以深度学习通常

• 需要强大的GPU服务器来进行计算
• 全面管理的分布式训练与预测服务——比如谷歌TensorFlow云机器学习平台

算法代表

• 机器学习
  朴素贝叶斯，决策树等
• 深度学习
  神经网络