在这篇博文中（https://www.helloworld.net/p/6137616368），我们简要介绍了机器学习。对于大多数人来说，深度学习和机器学习这两个术语似乎是 AI 世界中可以互换的流行语。然而，事实并非如此。因此，每个想要更好地了解人工智能领域的人都应该从了解术语及其差异开始。

什么是深度学习？

深度学习算法可以被视为机器学习算法的复杂和数学复杂的演变。该领域最近受到了很多关注，这是有充分理由的：最近的发展导致了以前认为不可能的结果。

深度学习描述了分析数据的算法，其逻辑结构类似于人类得出结论的方式。请注意，这可以通过监督学习和非监督学习来实现。为实现这一目标，深度学习应用程序使用称为人工神经网络 (ANN)的分层算法结构。这种 ANN 的设计灵感来自人脑的生物神经网络，导致学习过程远比标准机器学习模型更强大。

考虑上图中的示例 ANN。最左边的层称为输入层，最右边的层称为输出层。中间层称为隐藏层，因为它们的值在训练集中是不可观察的。简而言之，隐藏层是网络用来发挥其“魔力”的计算值。网络在输入层和输出层之间的隐藏层越多，它就越深。通常，任何具有两个或更多隐藏层的 ANN 都称为深度神经网络。

今天，深度学习被用于许多领域。例如，在自动驾驶中，深度学习用于检测停车标志或行人等物体。军方使用深度学习来识别来自卫星的物体，例如为其部队发现安全或不安全区域。当然，消费电子行业也充满了深度学习。例如，google home 等家庭辅助设备依靠深度学习算法来响应您的声音并了解您的偏好。

举个更具体的例子怎么样？想象一下特斯拉公司在其汽车中使用深度学习算法来识别停车标志。在第一步中，ANN 将识别停车标志的相关属性，也称为特征。特征可以是输入图像中的特定结构，例如点、边缘或对象。虽然软件工程师必须在更传统的机器学习算法中选择相关特征，但 ANN 能够自动进行特征工程. 第一个隐藏层可能学习如何检测边缘，下一个是如何区分颜色，最后一个隐藏层学习如何检测更复杂的形状，这些形状专门针对我们要识别的对象的形状。当输入训练数据时，深度学习算法最终会从自己的错误中学习预测是否正确，或者是否需要调整。

深度学习和机器学习有什么区别？

用一句话来分解：深度学习是机器学习的一个专门子集，而机器学习又是人工智能的一个子集。

总的来说，通过自动特征工程及其自学习能力，深度学习算法只需要很少的人为干预。虽然这显示了深度学习的巨大潜力，但它最近才获得如此大的可用性有两个主要原因：数据可用性和计算能力。首先，深度学习需要难以置信的海量数据（我们会遇到该规则的例外情况）。例如，特斯拉的自动驾驶软件需要数百万小时的图像和视频才能正常运行。其次，深度学习需要强大的计算能力。然而，随着云计算基础设施和高性能 GPU（图形处理单元，用于更快的计算）的出现，深度学习网络的训练时间可以从数周减少到数小时。但深度学习领域最重要的进步之一可能是迁移学习的出现，即预训练模型的使用。原因：迁移学习可以被视为满足人工神经网络产生有意义结果所必需的大型训练数据集需求的良方。这些庞大的数据需求曾经是过去不认为 ANN 算法是解决所有问题的最佳解决方案的原因。然而，对于许多应用程序，现在可以通过使用预训练模型来满足对数据的这种需求。

总结

• 深度学习是机器学习的一个专门子集。
• 深度学习依赖于称为人工神经网络的分层算法结构。
• 深度学习需要大量数据，但需要很少的人为干预才能正常运行。
• 迁移学习是满足大型训练数据集需求的良方。