深度學習和普通的機器學習有什么區(qū)別？一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統(tǒng)機器學習無法解決的一些問題

深度學習和普通的機器學習有什么區(qū)別？

一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統(tǒng)機器學習無法解決的一些問題。

機器學習的意義在于代替人工完成重復性工作，識別出統(tǒng)一的規(guī)則（模式）。但是對于傳統(tǒng)的機器學習來說，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準確性將在很大程度上決定大多數(shù)機器學習算法的性能。為了使特征準確，在特征工程部分需要大量的人力來調整和改進特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識別。如果不滿足這一前提，傳統(tǒng)的機器學習算法將在信息的雜亂中失去其性能。深度學習的應用正是基于這個問題。它的深層神經網絡使它能夠在雜波中學習，自動發(fā)現(xiàn)與任務相關的特征（可以看作是自發(fā)學習的特征工程），并提取高級特征，從而大大減少了特征工程部分任務所花費的時間。

另一個明顯的區(qū)別是他們對數(shù)據(jù)集大小的偏好。傳統(tǒng)的機器學習在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時表現(xiàn)出良好的性能，而深度學習則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴大，深度學習的效果會逐漸顯現(xiàn)出來，并變得越來越好。對比如下圖所示。

多層感知器，為什么能實現(xiàn)非線性？

由于增加了激活函數(shù)，如果激活函數(shù)是非線性的，則可以實現(xiàn)非線性。這個原則很簡單。你可以試著用非線性函數(shù)來設置一個線性函數(shù)來運算，結果一定是非線性的。

然而，多層感知器網絡不一定具有激活函數(shù)，并且激活函數(shù)不一定是非線性的。該方法可人為設定，僅利用非線性激活函數(shù)加隨機權初值，是理論和實踐驗證的最佳方法。

深度學習結構及其算法和早已提出的多層感知器及其反向傳播算法有哪些本質區(qū)別？

讓我談談我個人的理解。深度學習只是一個泛稱，包括DNN、CNN等。就DNN而言，目前的改進在于多層稀疏自編碼的特征提取、初始權值的分層優(yōu)化，有效地避免了簡單bp算法的權值耗散，以及初始權值隨機性容易導致陷入局部最優(yōu)解的問題。此外，由于數(shù)據(jù)量的空前龐大和計算能力的空前提高，DNN在質量上得到了很大的提高。CNN卷積神經網絡主要用于圖像處理，但目前也逐漸應用于其他領域，如交通需求預測、信號分析等。本質上，由于多層卷積層和池化層的存在，也屬于深度學習。這是一項新發(fā)明。