深度學習和機器學習的六個本質(zhì)區(qū)別你知道幾個？

深度學習和機器學習已經(jīng)變得無處不在，那它們之間到底有什么區(qū)別呢？本文我們?yōu)榇蠹铱偨Y(jié)了深度學習VS機器學習的六大本質(zhì)區(qū)別。

一、數(shù)據(jù)相關(guān)性

深度學習與傳統(tǒng)機器學習最重要的區(qū)別是，隨著數(shù)據(jù)量的增加，其性能也隨之提高。當數(shù)據(jù)很小的時候，深度學習算法并不能很好地執(zhí)行，這是因為深度學習算法需要大量的數(shù)據(jù)才能完全理解它。

下圖便能很好的說明這個事實：

從上圖我們可以看到，隨著數(shù)據(jù)量的增大，深度學習的性能會越來越好，而傳統(tǒng)機器學習方法性能表現(xiàn)卻趨于平緩；但傳統(tǒng)的機器學習算法在數(shù)據(jù)量較小的情況下，比深度學習有著更好的表現(xiàn)。

二、硬件依賴性

深度學習算法在很大程度上依賴于高端機器，而傳統(tǒng)的機器學習算法可以在低端機器上工作。這是因為深度學習算法對GPU有較高的要求，GPU是其工作的一個組成部分。因為深度學習算法要固有地執(zhí)行大量的矩陣乘法運，而使用GPU可以有效地優(yōu)化這些操作，這就免不了對GPU的依賴。而相比之下，機器學習算法對硬件配置沒有很高的要求。

三、特征工程

特征工程是將領(lǐng)域知識應(yīng)用到特征抽取的創(chuàng)建過程，以降低數(shù)據(jù)的復雜性為目的。但這一過程在訓練時間和如何提取特征方面十分地困難。

在機器學習中，大多數(shù)應(yīng)用的特征需要由專家識別，然后根據(jù)域和數(shù)據(jù)類型手工編碼。

例如，特征可以是像素值、形狀、紋理、位置和方向，大多數(shù)機器學習算法的性能取決于特征識別和提取的準確程度。

而深度學習算法則試圖從數(shù)據(jù)中學習更高級的特性。這是深度學習一個非常獨特的部分，也是有別于傳統(tǒng)機器學習的一部分。因此，深度學習減少了為每個問題開發(fā)新的特征抽取的任務(wù)，而是像卷積神經(jīng)網(wǎng)絡(luò)（CNN）這樣嘗試學習低層次的特征，如：早期層次的邊緣和線條，然后是人臉的一部分，最后才是人臉的高層次表示。這樣的方式相較于機器學習，在訓練時間和成本上有較高的提升。

四、解決問題方法

在使用傳統(tǒng)的機器學習算法解決問題時，通常的做法是將問題分解成不同的部分，然后單獨解決，最后結(jié)合起來得到結(jié)果。相比之下，深度學習更提倡端到端地解決問題。讓我們舉個例子來理解這一點。

如圖所示是一個多對象檢測任務(wù)，我們的目標是喲啊確定對象是什么以及它在圖像中的位置。

在典型的機器學習方法中，我們會將問題分為兩個步驟：對象檢測和對象識別。首先，我們將使用一個邊界檢測算法，如：GrabCut，來瀏覽圖像并找到圖像中所有可能的對象；然后，在所有已識別的對象中，我們再使用對象識別算法（如：SVM）來識別相關(guān)對象，最后再判斷對象的位置。

不同于傳統(tǒng)機器學習算法，在深度學習的方法中，我們將進行端到端的學習過程。例如，使用YOLO算法（一種深度學習算法）。我們往YOLO網(wǎng)絡(luò)中傳入一張圖像，它將給出對象的具體位置和名稱。是不是方便了很多呢？

五、執(zhí)行時間

通常，深度學習算法需要很長的時間來訓練，這是因為在深度學習算法中有太多的參數(shù)，所以訓練這些參數(shù)的時間比平時要長。即使比較先進的深度學習算法Resnet，從零開始完全訓練也需要大約兩周的時間。相比之下，機器學習所需的訓練時間要少得多，從幾秒鐘到幾個小時不等。

相較于訓練時間，測試時間就要短很多。在測試時，深度學習算法的運行時間要短得多。但是，如果將其與k近鄰機器學習算法進行比較，測試時間會隨著數(shù)據(jù)大小的增加而增加。但這并不適用于所有機器學習算法，因為其中一些算法的測試時間也很短。

六、可解釋性

最后，我們將可解釋性作為比較機器學習和深度學習的一個因素。這一因素也是深度學習難以在工業(yè)中取得大規(guī)模應(yīng)用的主要原因。

我們舉個例子：假設(shè)我們使用深度學習為論文自動評分，它在得分方面的表現(xiàn)相當出色，接近于人類的表現(xiàn)。但有一個問題：深度學習并沒有揭示它為什么會給出那個分數(shù)。事實上，從數(shù)學中我們可以發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)的哪些節(jié)點被激活，但是我們不知道神經(jīng)元應(yīng)該做什模型以及這些神經(jīng)元層共同在做什么，所以我們無法對結(jié)果進解釋。

而相較于深度學習，類似于決策樹這樣的機器學習算法為我們提供了清晰的規(guī)則，告訴我們什么是它的選擇以及為什么選擇了它，很容易解釋算法背后的推理。因此，決策樹和線性/邏輯回歸等機器學習算法主要用于工業(yè)中需要可解釋性的場景。