深度學習和淺層學習的區別

簡單來說，淺層學習採取的是分段學習的手段，而深度學習採取的是端到端學習的手段。

比如給出一幅影象，若是採用淺層學習，我們首先需要從影象中檢測出其關鍵的資訊點，然後對這些資訊點進行表達，如著名的Sift演算法，就形成了每個畫素點128維的向量，我們可以對資訊點的表達向量進行聚類，得到資訊點所組成的視覺詞典，在視覺詞典的基礎之上，我們用一個一個的視覺單詞來表達整幅影象，由於影象具有空間近鄰關係，因此，我們可以通過金字塔模型來捕獲視覺單詞之間所形成的空間結構，在金字塔模型的基礎之上，可以形成影象的視覺直方圖，影象從 表達成了視覺影象直方圖的向量形式，居於此我們可以對影象進行聚類、分類。

深度學習採取的是端到端的學習方法，這裡的端到端指的是輸入端到輸出端，從輸入端輸入經過卷積、池化、反向傳播等操作後可得到原始資料的特徵表達，基於此特徵表達，我們能夠對原始資料進行識別與分類，在這個過程裡，我們沒有 將學習的任務分成一段一段不同的子任務加以分析與處理。
也就是說，深度學習和淺層學習採取了完全不同的處理手段，它是從輸入端輸入資料，然後傳到中間層，通過層層抽象的方法直接得到輸入資料的特徵表達，進而對這種特徵表達進行分析與處理，它是一種端到端的學習方法。

舉例——英文到中文的翻譯

淺層學習：（分段學習機制）
依次經歷詞性標註，語法解析樹，語義分析等不同階段，在不同步階段裡，我們可以引用更改適合該階段處理的典型演算法，如條件隨機差等不同模型在不同階段完成其特定任務，最終基於語法解析樹，我們可以把英文翻譯成中文。

深度學習：（端到端學習機制）
例如輸入 You are pretty，在深度學習裡，先把you, are, pretty 這三個單詞對映成一個一個的向量，然後基於此向量做一個編碼，編碼的結果實際上刻畫了整個英文句子的上下文關係，然後再設計一個解碼器，從編碼的結果裡面逐一地翻譯出you are pretty這樣的中文單詞。
當然，在深度學習裡面，編碼器和解碼器是基於已標註的海量語料庫學習得到，一旦學習得到了編碼器和解碼器，那麼我們可以想象，任何一句英文的句子，首先通過訓練得到的編碼器進行編碼，以刻畫整段句子上下文之間的語義，然後基於訓練得到的解碼器，去解碼出該英文句子所對應的中文句子。