我們常常會(huì)碰到深度學(xué)習和機器學(xué)習的概念，那麼(me)機器學(xué)習和深度學(xué)習究竟是什麼(me)關系度呢?簡單的理解他們是包含與被包含的關系：機學(xué)習器學(xué)習是一種(zhǒng)實現人工智能(néng)的方法，而深度學(xué)習是一種(zhǒng)實現機器學(xué)習的技術。


 

一、深度學(xué)習與機器學(xué)習的概念
 

1、機器學(xué)習
 

人工智能(néng)的一個分支，機器學(xué)習理論主機器學(xué)習要是設計和分析一些讓計算機可以自動“學(xué)習”的算法。

2、深度學(xué)習
 

機器學(xué)習的一個分支，是一種(zhǒng)以人工神經(jīng)網絡(一種(zhǒng)模仿生物神經(jīng)網絡的結構深度學(xué)習和功能(néng)的數學(xué)模型)爲架構，對(duì)數據進(jìn)行表征學(xué)習的算法。
 

二、深度學(xué)習與機器學(xué)習技術上的差異
 

1、硬件依賴
 

深度學(xué)習算法需要進(jìn)行大量的矩陣運算，而GPU/NPU就(jiù)主要用于高效優化矩陣運算，所以深度學(xué)習更依賴GPU或NPU，比如華爲Atlas智能(néng)計算平台主要就(jiù)是基于異騰系列NPU。
 

2、問題解決方式
 

傳統機器學(xué)習算法解決問題時(shí)通常會(huì)將(jiāng)問題分解爲多個子問題并逐步解決所有子問題，而深度學(xué)習則采用的是端到端的解決問題方式。

3、訓練所需時(shí)間

通常情況下，訓練一個深度學(xué)習模型需要很長(cháng)時(shí)間，這(zhè)是因爲深度學(xué)習算法中參數很多，可能(néng)會(huì)消耗數周甚至數月時(shí)間，而傳統的機器學(xué)習訓練時(shí)間相對(duì)較少，隻需幾秒到幾小時(shí)的時(shí)間。

4、可解釋性
 

深度學(xué)習在某些領域(圖像識别，語音語義識别)可以達到甚至超過(guò)人類的水平，可深度學(xué)習算法不會(huì)告訴你他爲何做出識别的判斷，所以無法解釋結果如何産生，而像決策樹、線性回歸這(zhè)些傳統的機器學(xué)習算法則給出了很明确的推導規則。
 

三、爲什麼(me)需要深度學(xué)習?
 

在輸入大量數據量的情況下，深度學(xué)習對(duì)比其他傳統的學(xué)習算法具有更優的性能(néng)和更高的模型精度。
 

四、深度學(xué)習是萬能(néng)的嗎?
 

目前，業界有一種(zhǒng)錯誤的較爲普遍的意識，即“深度學(xué)習最終可能(néng)會(huì)淘汰掉其他所有機器學(xué)習算法”。這(zhè)種(zhǒng)意識的産生主要是因爲，當下深度學(xué)習在計算機視覺、自然語言處理領域的應用遠超過(guò)傳統的機器學(xué)習方法，并且媒體對(duì)深度學(xué)習進(jìn)行了大肆誇大的報道(dào)。深度學(xué)習，确實是目前最熱的機器學(xué)習方法，但并不意味著(zhe)是機器學(xué)習的終點。進(jìn)入21世紀，縱觀機器學(xué)習發(fā)展曆程，研究熱點可以簡單總結爲2000-2006年的流形學(xué)習、2006年-2011年的稀疏學(xué)習、2012年至今的深度學(xué)習。未來哪種(zhǒng)機器學(xué)習算法會(huì)成(chéng)爲熱點呢?我們拭目以待。
 

— END —

文章素材及圖片來源網絡

相關版權歸原創所有

如有侵權請聯系删除