深度学习是一种思想，一种学习模式，深度神经网络是一类模型，两者在本质上是不一样的。但目前大家普遍将深度神经网络认为就是深度学习。

　　深度神经网络应用之前，传统的计算机视觉、语音识别方法是把特征提取和分类器设计分开来做，然后在应用时再合在一起，比如如果输入是一个摩托车图像的话，首先要有一个特征表达或者特征提取的过程，然后把表达出来的特征放到学习算法中进行分类的学习。


　　因为手工设计特征需要大量的经验，需要你对这个领域和数据特别了解，然后设计出来特征还需要大量的调试工作，说白了就是需要一点运气。另一个难点在于，你不只需要手工设计特征，还要在此基础上有一个比较合适的分类器算法。特征设计与分类器设计，这两者合并达到最优的效果，几乎是不可能完成的任务。

　　2012年后，深度神经网络给计算机视觉、语音识别、自然语言处理等领域带来了突破性的进展，在人脸识别、机器翻译等应用的准确率接近甚至超过了人类的水平。


　　深度神经网络最重要的是表示学习的能力，你把数据从一端扔进去，模型从另外一端就出来了，中间所有的特征完全可以通过学习自己来解决，而不再需要手工去设计特征了。其表示学习的能力主要体现在以下两点：

　　【1】深度逐层处理 我们如果把神经网络看作很多层，首先它在最底层，好像我们看到的是一些像素这样的东西。当我们一层一层往上的时候，慢慢的可能有边缘，再往上可能有轮廓，甚至对象的部件等等。当然这实际上只是个示意图，在真正的神经网络模型里面不见得会有这么清楚的分层。但是总体上当我们逐渐往上的时候，它确实是不断在对对象进行抽象。这一点也被业界研究者普遍接受。

　　【2】特征空间变换 深度逐层处理不仅仅深度神经网络具备，决策树、boosting类的算法也都具备。但深度神经网络每层之间存在特征空间的变换（通常是非线性的变换），把某个较低级别的特征表示表示成更加抽象的特征；决策树和boosting类算法各层之间都是在原始的特征空间中进行，没有进行特征的内部变换。

　　上述几点是深度神经网络的思想精髓所在，这一思想精髓，或许会指导后续一大批新的模型出现，比如南京大学周志华教授团队提出的gcForest（深度森林）。
第三十五届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。