• 深度學習的概念
• 機器學習和深度學習的區別
  • 區別1: 特徵提取
  • 區別2: 資料量
• 常見的深度學習框架
• 小結

深度學習的概念

深度學習: deep learning,是機器學習的分支,是一種以人工神經網路為架構,對資料進行特徵學習的演算法.

機器學習和深度學習的區別

區別1: 特徵提取

從特徵提取的角度出發:
(1) 機器學習需要人工的特徵提取過程
(2) 深度學習沒有複雜的人工提取過程,特徵提取的過程可以通過深度神經網路自動完成.

區別2: 資料量

從資料量角度出發:
(1) 深度學習需要大量的訓練資料集,會有更高的效果.(相對而言,機器學習的資料量少很多)
(2) 深度學習訓練深度神經網路需要大量的算力,因為其中有更多的引數.

常見的深度學習框架

目前企業中常見的深度學習框架有很多,TensorFlow,Caffe2,Keras,Theano,PyTorch...
其中TensorFlow和Kears是Google出品的,使用者很多,但是其語法晦澀而且和python語法不盡相同,對於入門玩家而言上手難度較高.
所以在之後的課程中我們會使用Facebook出的PyTorch,PyTorch的使用和python的語法相同,整個操作類似Numpy的操作,並且PyTorch使用的是動態計算,會讓程式碼的除錯變的更加簡單.

小結

1. 深度學習的概念是什麼? 
1) 機器學習的一個分支
2) 以人工神經網路為架構,對資料進行特徵學習的演算法.

2. 深度學習和機器學習的區別? 
(1) 從特徵提取的角度進行說明
input => 特徵提取+分類 => output
機器學習: input => 人工特徵抽取+演算法分類 => output
深度學習: input => (神經網路) => output

神經網路會自動對特徵進行抽取,這是和傳統機器學習最大的差別.
(2) 從資料量的角度進行說明
深度學習需要的資料量非常大,因為神經網路涉及到的引數非常多.
相對於傳統機器學習演算法,因為引數少,所以需要的資料量相對也少很多.