下载掌阅APP，畅读海量书库
立即打开
目前，在很多场合，机器学习与深度学习被相互替代使用；但是在概念上和实施技术上，它们之间还是有差别的。
简而言之，深度学习是机器学习的一个细分领域，可将深度学习视为“可扩展的机器学习”。在实现算法学习的技术上，机器学习更依赖人工干预进行学习。人类专家分析一组数据特征以确定输入数据之间的差异，通常需要更为结构化的数据以开展学习。深度学习则使用具有多层次的数据处理结构（神经网络），可以自动执行数据处理过程中的大部分特征提取，消除某些必需的人工干预，并使用更大规模的数据集。
用于深度学习的神经网络模拟人类大脑神经细胞之间的突触连接模式[见图2-2（a）]来建立数据处理的结构[见图2-2（b）]，它的基本特点是：
（1）很多个数据节点相互连接形成网络。
（2）从其他节点传到某个节点的信号如果不超过某个设定的阈值，则该节点不做出反应；如果输入信号超过阈值时，则该节点向下一层的节点发出信号。
（3）从多个节点传向某个节点的信号的权重不同。
图2-2 深度学习神经网络结构示意
神经网络具备输入层、负责数据处理的中间层和结果输出层。根据数据处理的需要，中间层可设置成多个层次。神经网络的每一层都包含将输入数据转化为下一层可用于某种预测任务的信息单元。基于这种结构，模型可以通过自身的数据处理进行学习，从而提高自身的效率和能力。
深度学习中的“深度”是指神经网络数据处理结构的层数深度。由三层以上组成的神经网络（包含输入和输出）可视为深度学习算法或深度神经网络，只有两层或三层的神经网络只是基本的神经网络。