机器学习和深度学习的简单对比

如图1-2所示，深度学习（DeepLearning，DL）属于机器学习的子类。它的灵感来源于人类大脑的工作方式，这是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并非是一个全新的概念，可理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等做出了调整，其目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，如文本、图像、声音。

如果是传统机器学习方法，我们会首先定义一些特征，如有没有胡须，耳朵、鼻子、嘴巴的模样，等等。总之，首先要确定相应的“面部特征”作为机器学习的特征，以此来对对象进行分类识别。

而现在，深度学习方法更进一步。深度学习可以自动找出这个分类问题所需要的重要特征，而传统的机器学习则需要人工给出特征。

那么深度学习是如何做到这一点的呢？以猫狗识别的例子来说，按照以下步骤即可：

（1）确定有哪些边和角跟识别出猫和狗关系最大。

（2）根据上一步找出的很多小元素（边、角等）构建层级网络，找出它们之间的各种组合。

（3）在构建层级网络之后，就可以确定哪些组合可以识别出猫和狗。

深度学习的“深”是因为它通常有较多的隐藏层，正是因为有那么多隐藏层存在，深度学习网络才拥有表达更复杂函数的能力，这样才能识别更复杂的特征，继而完成更复杂的任务。

本文节选自《PyTorch深度学习与企业级项目实战》，获出版社和作者授权发布。