深度學習與傳統模式識別方法的最大不同在於它是從大資料中自動學習特徵，而非採用手工設計的特徵。好的特徵可以極大提高模式識別系統的效能。在過去幾十年模式識別的各種應用中，手工設計的特徵處於同統治地位。它主要依靠設計者的先驗知識，很難利用大資料的優勢。由於依賴手工調引數，特徵的設計中只允許出現少量的引數。深度學習可以從大資料中自動學習特徵的表示，其中可以包含成千上萬的引數。手工設計出有效的特徵是一個相當漫長的過程。回顧計算機視覺發展的歷史，往往需要五到十年才能出現一個受到廣泛認可的好的特徵。而深度學習可以針對新的應用從訓練資料中很快學習得到新的有效的特徵表示。

特徵和分類。 傳統是分開的，然後做優化。 神經網路是 兩者結合的。 可能初始設定6000萬個特徵引數，然後學習上百萬個樣本。

傳統的影象分類，比如臉部區域性區域的識別，也是提取一個小的區域，然後提前一紋理特徵，然後分類。

但是人眼卻可以做到即使眼部帶上墨鏡也知道那個部位是什麼類別。這是全域性特徵的推理，即根據區域的全體鄰域進行的推測。因此傳統的區域提取然後再搜尋對比分類，沒有全域性的特徵。 如同類似， 走勢搜尋，貌似，最近的走勢與某年崩盤前的走勢一模一樣。