数据依附性

深度进修与传统的机械进修最重要的差别在于跟着数据范围的增长其机能也赓续增长。当数据很少时，深度进修算法的机能并不好。这是因为深度进修算法须要大年夜量的数据来完美地舆解它。另一方面，在这种情况下，传统的机械进修算法应用制订的规矩，机能会比较好。下图总结了这一事实。

为了展示他们的火热程度，我在 Google trend 上搜刮了这些关键字：

深度进修算法须要进行大年夜量的矩阵运算，GPU 重要用来高效优化矩阵运算，所以 GPU 是深度进修正常工作的必须硬件。与传统机械进修算法比拟，深度进修更依附安装 GPU 的高端机械。

特点处理

特点处理 是将范畴常识放入特点提取器琅绫擎来削减数据的复杂度并生成使进修算法工作的更好的模式的过程。特点处理过程很耗时并且须要专业常识。

在机械进修中，大年夜多半应用的特点都须要专家肯定然后编码为一种数据类型。

特点可以使像素值、外形、纹理、地位和偏向。大年夜多半机械进修算法的机能依附于所提取的特点的精确度。

深度进修测验测验大年夜数据中直接获取高等级的特点，这是深度进修与传统机械进修算法的重要的不合。基于此，深度进修削减了对每一个问题设计特点提取器的工作。例如， 卷积神经收集 测验测验在前边的财揭捉?习低等级的特点(界线，线条)，然后进修部分人脸，然后是高等的人脸的描述。更多信息可以浏览 神经收集机械在深度进修琅绫擎的有趣应用 。

问题解决方法

当应用传统机械进修算法解决问题的时刻，传统机械进修平日会将问题分化为多个子问题并逐个子问题解决最后结合所有子问题的结不雅获得最终结不雅。相反，深度进修倡导直接的端到端的解决问题。

举例解释：

假设有一个 多物体检测 的义务须要图像中的物体的类型和各物体在图像中的地位。

传统机械学会将问题分化为两步：物体检测和物体辨认。起首，应用一个界线框检测算法扫描整张图片找到可能的是物体的区域;然后应用物体辨认算法(例如 SVM 结合 HOG )对上一步检测出来的物体进行辨认。

相反，深度进修会直接将输入数据进交运算获得输出结不雅。例如可以直接将图片传给 YOLO 收集 (一种深度进修算法)，YOLO 收集会给出图片中的物体和名称。

履行时光

平日情况下，练习一个深度进修算法须要很长的时光。这是因为深度进修算法中参数很多，是以练习算法须要消费更长的时光。最先辈的 深度进修算法 ResNet 完全地练习一次须要消费两周的时光，而机械进修的练习会消费 的时光 相对较少，只须要几秒钟到几小时的时光。

但两者测试的时光上是完全相反。深度进修算法在测试时只须要很少的时光去运行。如不雅跟 k-nearest neighbors (一种机械进修算法)比拟较，测试时光会跟着数据量的晋升而增长。不过这不实用于所有的机械进修算法，因为有些机械进修算法的测试时光也很短。

可解释性

至关重要的一点，我们把可解释性作为比较机械进修和深度进修的一个身分。

我们看个例子。假设我们实用深度进修去主动为文┞仿评分。深度进修可以达到接军人的标准，这是相当惊人的机能表示。然则这仍然有个问题。深度进修算法不会告诉你为什么它会给出这个分数。当然，在数学的角度上，你可以找出来哪一个深度神经收集节点被激活了。然则我们不知道神经元应当是什么模型，我们也不知道这些神经单位层要合营做什么。所以无法解释结不雅是若何产生的。

先年腋荷琐简单的例子开端，大年夜概念层面上解释毕竟产生了什么的工作。我们来尝尝看若何大年夜其他外形中识其余正方形。

另一方面，为了解释为什么算法如许选择，像决定计划树( decision trees )如许机械进修算法给出了明白的规矩，所以解释决定计划背后的推理是很轻易的。是以，决定计划树和线性/ 逻辑回归 如许的算法重要用于工业上的可解释性。

硬件依附

【编辑推荐】

1. 简析AI（深度进修）：AI会抢走你的工作吗？
2. 十年云计算老兵零基本进军深度进修办法论
3. 深度进修入门篇——手把手教你用TensorFlow练习模型
4. 天然说话处理最终偏向：深度学惯用于天然说话处理的5大年夜优势
5. 深度进修应当应用复数吗？

【义务编辑：未丽燕 TEL：（010）68476606】

　　推荐阅读

　　无人移动面馆45秒出面 食客感叹好神奇

沙龙晃荡 | 去哪儿、陌陌、ThoughtWorks在主动化运维中的实践！10.28不见不散！ 跟着科技的成长，基于大年夜数据和云计算的智能化时代正在加快向我们走来，各个行业都在摸索应用智能化进叙>>>详细阅读

本文标题：一文读懂深度学习与机器学习的差异

地址：http://www.17bianji.com/lsqh/38127.html

 1/2    1