一、数据依赖性
深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增。 当数据很少时,深度学习算法的性能并不好。 这是因为深度学习算法需要大量的数据来完美地理解它。
三、硬件依赖
深度学习算法需要进行大量的矩阵运算,GPU主要用来高效优化矩阵运算,所以GPU是深度学习正常工作的必须硬件。 与传统机器学习算法相比,深度学习更依赖安装GPU的高端机器。
二、特征处理
特征处理是将域知识放入特征提取器里面来减少数据的复杂度并生成使学习算法工作的更好的模式的过程。 特征处理过程很耗时而且需要专业知识。
深度学习尝试从数据中直接获取高等级的特征,这是深度学习与传统机器学习算法的主要的不同。 基于此,深度学习削减了对每一个问题设计特征提取器的工作。
例如,卷积神经网络尝试在前边的层学习低等级的特征,然后学习部分脸,然后是高级的脸的描述。 更多信息可以阅读神经网络机器在深度学习里面的有趣应用。
当应用传统机器学习算法解决问题的时候,传统机器学习通常会将问题分解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果获得最终结果。 相反,深度学习提倡直接的端到端的解决问题。
深度学习和传统机器学习有哪些优点如下:
优点1:学习能力强
从训练、测试再到验证,深度学习的表现非常好,可见学习能力十分强。
优点2:覆盖范围°广,适应性好
其神经网络层数多、宽度很广,理论上可以映射到任意函数,很多复杂问题都能解决。
优点3:数据驱动,上限高
深度学习高度依赖数据,数据量越大,其表现就越好。 在图像识别、面部识别、NLP等部分任务甚至已超类的表现,同时还可以通过调参进一步提高他的上限。
优点4:可移植性好
由于深度学习的优异表现,有很多框架可以使用,例如TensorFlow、Pytorch。 这些框架可以兼容很多平台。
拓展:
机器学习和深度学习之间的5个主要区别:
1.为干预
对于机器学习系统,类需要根据数据类型(例如,像素值、形状、方向)识别并手动码应用特征,而深度学习系统则试图在没有额外工干预的情况下学习这些特征。 以面部识别程序为例。
此程序首先会学习检测识别脸的边缘和线条,然后是脸的更重要部分,最后是脸的整体样貌。 这样做会涉及到大量数据,随着时间的推移和程序自我训练,正确答(即准确识别面部)的概率会逐渐增加。 这种训练是通过使用神经网络进行的,类似于脑的工作方式,不需要类重新程。
2.硬件
由于要处理的数据量和所用算法中涉及的数学计算的复杂性不同,深度学习系统需要比简单的机器学习系统更强大的硬件。 用于深度学习的一种硬件是图形处理单元(GPU)。 机器学习程序可以在没有那么多计算能力的低端机器上运行。
3.时间
正如我们所了解的,由于深度学习系统需要庞大的数据集,而且它涉及的参数和数学公式非常之多,因此深度学习系统会需要大量训练时间。 机器学习可能需要几秒钟到几个小时,而深度学习可能需要几个小时到几周的时间!
4.方法
机器学习中使用的算法倾向于对不同部分进行数据解析,然后将这些部分组合起来从而得出结果或解决方。 深度学习系统一次解决整个问题。
例如,你想用一个程序来识别图像中的特定对象(它们是什么以及它们所在的位置——例如停车场汽车上的车牌),你必须通过机器学习完成两个步骤:首先是物体检测,然后是物体识别。 而使用深度学习程序,你只需要输入图像,通过训练,程序将在一个结果中返回识别的对象及其在图像中的位置。
5.应用
通过上述差异,你可能已经意识到机器学习和深度学习系统会用于不同的应用程序。 使用地点:基本的机器学习应用程序包括预测程序(例如预测股票场的价格或下一次飓风袭击的时间和地点)、垃圾邮件标识符以及为医疗患者设计循证治疗计划的程序。
除了上面提到的Netflix、音乐流媒体服务和面部识别的例子之外,深度学习另一个广为知的应用域便是自动驾驶汽车——该程序使用多层神经网络来做一些事情,比如确定要避开的物体、识别交通灯并知道何时加速或减速。
上一篇:西南大学电气工程及其自动化排名
下一篇:自动化生产线报告总结