1.2.4 深度學習和機器學習的對比

機器學習是一種實現人工智能的方法，而深度學習是一種實現機器學習的技術。深度學習本來并不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網絡。但由于近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡等），因此越來越多的人將其單獨看作一種學習的方法。

假設需要識別某個照片是狗還是貓，如果是用傳統機器學習的方法，首先會定義一些特征，如有沒有胡須，耳朵、鼻子、嘴巴的模樣等。總之，首先要確定相應的“面部特征”作為機器學習的特征，以此將對象進行分類識別。而深度學習的方法則更進一步，它會自動找出這個分類問題所需要的重要特征，而傳統機器學習則需要人工地給出特征。那么，深度學習是如何做到這一點的呢？繼續以貓狗識別的例子進行說明，步驟如下。

1）首先確定出有哪些邊和角與識別出貓狗的關系最大。

2）然后根據上一步找出的很多小元素（如邊、角等）構建層級網絡，找出它們之間的各種組合。

3）在構建層級網絡之后，就可以確定哪些組合可以識別出貓和狗了。

注意：其實深度學習并不是一個獨立的算法，在訓練神經網絡的時候也通常會用到監督學習和無監督學習。但是由于一些獨特的學習方法被提出，也可以把它看成是單獨的一種學習算法。深度學習可以大致理解成包含多個隱含層的神經網絡結構，深度學習的深指的就是隱藏層的深度。

在機器學習方法中，幾乎所有的特征都需要通過行業專家再確定，然后就特征進行人工編碼，而深度學習算法會自己從數據中學習特征。這也是深度學習十分引人注目的一點，畢竟特征工程是一項十分煩瑣、耗費很多人力物力的工作，深度學習的出現大大減少了發現特征的成本。

在解決問題時，傳統機器學習算法通常先把問題分成多塊，一個個地解決好之后，再重新組合起來。深度學習則是一次性地、端到端地解決。

假設一個任務：識別出在某圖片中有哪些物體，并找出它們的位置。

傳統機器學習的做法是把問題分為兩步：發現物體和識別物體。首先，使用盒型檢測算法找出幾個物體的邊緣，把所有可能的物體都框選出來。然后，再使用物體識別算法識別出這些物體中分別是什么。圖1-1所示為一個機器學習識別的例子。

但是深度學習不同，它會直接在圖片中把對應的物體識別出來，同時還能標明對應物體的名字。這樣就可以做到實時的物體識別，例如YOLO可以在視頻中實時識別物體，圖1-2所示為YOLO在視頻中實現深度學習識別的例子。

注意：人工智能、機器學習、深度學習三者的關系如下。

機器學習是實現人工智能的方法，深度學習是機器學習算法中的一種，是實現機器學習的技術和學習方法。