1.3.1 深度学习与传统机器学习的区别

深度学习（deep learning）作为机器学习领域的重大分支，不仅深刻影响着机器学习领域的走向，更是实现人工智能的一条有力的途径。深度学习与传统机器学习方法的显著差异是，它使用多层非线性处理单元级联进行特征提取和转换，实现了多层次的特征表示与概念抽象的学习。深度学习避免了传统机器学习方式下对特征工程的要求，可以轻松地实现端到端的训练，并且在大数据下展现出明显的效果优势。深度学习在语音、计算机视觉和自然语言处理等领域取得的成功，也使机器学习更加接近人工智能的初始目标。

深度学习更容易发挥大数据优势。应用传统机器学习方法，当数据量达到一定规模后，效果提升会迅速变缓。而深度学习方法则更适配大数据训练，如图1.4所示。在工业界的深度学习应用中，往往都对应着更为海量的数据。比如对于机器翻译，会有上亿规模的平行语料。更多的数据确实带来了更好的效果。深度学习具有强大的特征抽象和表示能力。深层神经网络模型中间层可实现对图像、文本、语音等信号的特征抽象，学习到可计算的特征表示。这些中间特征表示，具有很强的通用性。因此，深度学习更容易支持多模态学习和多任务学习，这也为大规模通用预训练模型迁移学习提供了可能。深度学习强大的特征表示能力也带来端到端训练的显著特性。如图1.5所示，在传统机器学习方法下，一般需要独立的特征提取阶段；而在深度学习下，只需要输入原始的图像、语音和文本信息，即可直接训练。

图1.4 深度学习的大数据优势

图1.5 传统机器学习与深度学习在特征工程上的区别