進(jìn)入人工智能時(shí)代，我們的生活中到處充滿了各種智能產(chǎn)品。例如智能機(jī)器人、自動(dòng)駕駛的汽車等。很多產(chǎn)品都是通過學(xué)習(xí)來代替人們工作的。因此才有了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之說。但是近來有一些朋友問我，深度學(xué)習(xí)是不是算機(jī)器學(xué)習(xí)，答案肯定不是的。那么機(jī)器學(xué)習(xí)和深度學(xué)習(xí)有哪些區(qū)別呢？深度學(xué)習(xí)和機(jī)器學(xué)習(xí)之間的主要區(qū)別在于性能。當(dāng)數(shù)據(jù)量較小時(shí)，深度學(xué)習(xí)的性能不好，因?yàn)樯疃葘W(xué)習(xí)算法需要大量數(shù)據(jù)才能理解其中包含的模式，這時(shí)就需要機(jī)器學(xué)習(xí)來完成。下面我們來具體看一下二者之間的區(qū)別吧。

　　機(jī)器學(xué)習(xí)和深度學(xué)習(xí)有哪些區(qū)別？

　　1、應(yīng)用場景

機(jī)器學(xué)習(xí)在指紋識(shí)別、特征物體檢測等領(lǐng)域的應(yīng)用基本達(dá)到了商業(yè)化的要求。深度學(xué)習(xí)主要應(yīng)用于文字識(shí)別、人臉技術(shù)、語義分析、智能監(jiān)控等領(lǐng)域。目前在智能硬件、教育、醫(yī)療等行業(yè)也在快速布局。

2、所需數(shù)據(jù)量

機(jī)器學(xué)習(xí)能夠適應(yīng)各種數(shù)據(jù)量，特別是數(shù)據(jù)量較小的場景。如果數(shù)據(jù)量迅速增加，那么深度學(xué)習(xí)的效果將更加突出，這是因?yàn)樯疃葘W(xué)習(xí)算法需要大量數(shù)據(jù)才能完美理解。

　　3、數(shù)據(jù)依賴性

深度學(xué)習(xí)與傳統(tǒng)的機(jī)器學(xué)習(xí)最主要的區(qū)別在于隨著數(shù)據(jù)規(guī)模的增加其性能也不斷增長。當(dāng)數(shù)據(jù)很少時(shí)，深度學(xué)習(xí)算法的性能并不好。這是因?yàn)樯疃葘W(xué)習(xí)算法需要大量的數(shù)據(jù)來完美地理解它。另一方面，在這種情況下，傳統(tǒng)的機(jī)器學(xué)習(xí)算法使用制定的規(guī)則，性能會(huì)比較好。

　　3、硬件依賴

深度學(xué)習(xí)算法需要進(jìn)行大量的矩陣運(yùn)算，GPU 主要用來高效優(yōu)化矩陣運(yùn)算，所以 GPU 是深度學(xué)習(xí)正常工作的必須硬件。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)更依賴安裝 GPU 的高端機(jī)器。

　　4、特征處理

特征處理是將領(lǐng)域知識(shí)放入特征提取器里面來減少數(shù)據(jù)的復(fù)雜度并生成使學(xué)習(xí)算法工作的更好的模式的過程。特征處理過程很耗時(shí)而且需要專業(yè)知識(shí)。在機(jī)器學(xué)習(xí)中，大多數(shù)應(yīng)用的特征都需要專家確定然后編碼為一種數(shù)據(jù)類型。特征可以使像素值、形狀、紋理、位置和方向。

大多數(shù)機(jī)器學(xué)習(xí)算法的性能依賴于所提取的特征的準(zhǔn)確度。深度學(xué)習(xí)嘗試從數(shù)據(jù)中直接獲取高等級(jí)的特征，這是深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)算法的主要的不同。基于此，深度學(xué)習(xí)削減了對(duì)每一個(gè)問題設(shè)計(jì)特征提取器的工作。例如，卷積神經(jīng)網(wǎng)絡(luò)嘗試在前邊的層學(xué)習(xí)低等級(jí)的特征，然后學(xué)習(xí)部分人臉，然后是高級(jí)的人臉的描述。更多信息可以閱讀神經(jīng)網(wǎng)絡(luò)機(jī)器在深度學(xué)習(xí)里面的有趣應(yīng)用。

　　5、執(zhí)行時(shí)間

執(zhí)行時(shí)間是指訓(xùn)練算法所需要的時(shí)間量。一般來說，深度學(xué)習(xí)算法需要大量時(shí)間進(jìn)行訓(xùn)練。這是因?yàn)樵撍惴ò泻芏鄥?shù)，因此訓(xùn)練它們需要比平時(shí)更長的時(shí)間。相對(duì)而言，機(jī)器學(xué)習(xí)算法的執(zhí)行時(shí)間更少。

通常情況下，訓(xùn)練一個(gè)深度學(xué)習(xí)算法需要很長的時(shí)間。這是因?yàn)樯疃葘W(xué)習(xí)算法中參數(shù)很多，因此訓(xùn)練算法需要消耗更長的時(shí)間。最先進(jìn)的深度學(xué)習(xí)算法 ResNet完整地訓(xùn)練一次需要消耗兩周的時(shí)間，而機(jī)器學(xué)習(xí)的訓(xùn)練會(huì)消耗的時(shí)間相對(duì)較少，只需要幾秒鐘到幾小時(shí)的時(shí)間。

但兩者測試的時(shí)間上是完全相反。深度學(xué)習(xí)算法在測試時(shí)只需要很少的時(shí)間去運(yùn)行。如果跟 k-nearest neighbors相比較，測試時(shí)間會(huì)隨著數(shù)據(jù)量的提升而增加。不過這不適用于所有的機(jī)器學(xué)習(xí)算法，因?yàn)橛行C(jī)器學(xué)習(xí)算法的測試時(shí)間也很短。

　　6、解決問題的方法

機(jī)器學(xué)習(xí)算法遵循標(biāo)準(zhǔn)程序以解決問題。它將問題拆分成數(shù)個(gè)部分，對(duì)其進(jìn)行分別解決，而后再將結(jié)果結(jié)合起來以獲得所需的答案。深度學(xué)習(xí)則以集中方式解決問題，而不必進(jìn)行問題拆分。當(dāng)應(yīng)用傳統(tǒng)機(jī)器學(xué)習(xí)算法解決問題的時(shí)候，傳統(tǒng)機(jī)器學(xué)習(xí)通常會(huì)將問題分解為多個(gè)子問題并逐個(gè)子問題解決最后結(jié)合所有子問題的結(jié)果獲得最終結(jié)果。相反，深度學(xué)習(xí)提倡直接的端到端的解決問題。

上述就是關(guān)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)有哪些區(qū)別的全部內(nèi)容，想了解更多關(guān)于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的信息，請(qǐng)繼續(xù)關(guān)注中培偉業(yè)。