人工智能风靡一时！突然之间，每一个人，无论是否理解，都在谈论它。人工智能的发展趋势似乎势不可挡，但它真正归结为两个非常流行的概念：机器学习和深度学习。但近，深度学习越来越受欢迎，因为它在用大量数据训练时的准确性方面至高无上。

为了向你展示深度学习所获得的关注，以下是Google的关键字趋势：

谷歌的“深度学习”趋势

现在软件行业正朝着机器智能化迈进。机器学习已成为各个行业必不可少的一部分，作为制造机器智能的一种方式以更简单的方式，机器学习是一组算法，它们可以解析数据，向他们学习，然后应用他们学到的知识做出明智的决定。

机器学习的例子无处不在。这就是Netflix是如何知道下一次要观看哪个节目或Facebook如何在数码照片中识别你朋友的脸部。或者，在你进行CSAT调查之前，客户服务代表会知道你是否会满意他们的支持。

关于传统机器学习算法的一点是，它们看起来很复杂，但它们仍然像机器一样。他们需要大量的专业领域知识，人类的干预只能满足他们的需求，不多不少。而对于AI设计师和世界其他地方来说，这就是深度学习更有希望的地方。

什么是深度学习？

实际上，深度学习是机器学习的一个子集，通过学习将世界表示为嵌套的概念层次结构，实现了强大的功能和灵活性，其中每个概念都与较简单的概念相关联，而更抽象的表示形式则用较不抽象的概念来计算。

精细的说，深度学习技术通过隐藏层结构逐步学习类别，比如字母，然后定义较别的类别（如单词）和更别的类别（如句子）。在图像识别的例子中，它意味着在分类线条之前识别明暗区域，然后识别形状以允许识别脸部。网络中的每个神经元或节点代表整体的一个方面，它们共同提供了图像的完整表示。每个节点或隐藏层都有一个权重来表示它与输出关系的强度，并随着模型的发展对权重进行调整。

深度学习架构

深度学习的显著特点

深度学习的一大优势，也是理解为什么它变得流行的关键部分，它是由大量数据驱动的。技术的“大数据时代”将为深度学习的新创新提供巨大的机会。正如吴恩达所述，“AI类似于建造一艘火箭船。你需要一个巨大的发动机和大量的燃料。如果你有一个大型发动机却只有很少的燃料，火箭船就无法进入正确轨道。或者，如果你有一个小型发动机和一吨的燃料，你甚至不能让火箭船起飞。要建造一艘火箭，你需要一个巨大的发动机和大量的燃料。

与深度学习做一个类比，也就是说火箭发动机是深度学习模型，燃料就是我们让这些算法学习的大量数据。”

深度学习需要与传统机器学习算法相反的高端机器。 现在，GPU已经成为执行任何深度学习算法的不可或缺的部分。

在传统的机器学习技术中，大多数应用特征需要由领域专家来识别，以便降低数据的复杂性，并使得模式更易于学习算法。前面讨论过的深度学习算法的大优点是他们试图以增量的方式从数据中学习特征。这消除了对领域专业知识和硬核心特征提取的需求。

深度学习和机器学习技术的另一个区别在于解决问题的方法。深度学习技术倾向于从头到尾解决问题，机器学习技术需要将问题陈述分解为不同的部分。首先解决问题，然后在终阶段将其结果合并。

例如，对于多物体检测问题，像Yolo 网络这样的深度学习技术将图像作为输入，并在输出处提供对象的位置和名称。但是在像SVM这样的通常的机器学习算法中，首先需要边界框对象检测算法来识别所有可能的对象，以将HOG作为输入到学习算法以识别相关对象。

通常，由于大量的参数，深度学习算法需要很长时间进行训练。受欢迎的ResNet算法需要大约两周的时间才能完全从头开始训练。传统的机器学习算法需要几秒到几个小时来训练，这个场景在测试阶段完全相反。在测试时，深度学习算法花费的时间少得多。然而，如果将其与近邻算法（一种机器学习算法）进行比较，则测试时间会随着数据大小的增加而增加。虽然这不适用于所有机器学习算法，但其中一些算法的测试时间也很短。

可解释性是为什么许多行业在深度学习中使用其他机器学习技术的主要问题。我们举个例子吧，假设我们使用深度学习来计算文档的相关性分数。它提供的性能非常好，接近人类的表现。但是有一个问题，它没有揭示为什么它给出了这个分数。事实上，你可以在数学上找出深层神经网络的哪些节点被激活，但我们不知道神经元应该建模什么，以及这些神经元层共同做了什么。所以我们不能解释结果。这不是机器学习算法，如决策树，逻辑回归等。

何时使用深度学习或不使用？

1.深度学习如果数据量很大，则执行其他技术。但由于数据量较小，传统的机器学习算法更为可取。

2.深度学习技术需要有高端基础设施来在合理的时间内进行培训。

3.当对特征内省缺乏领域理解时，深度学习技术超越了其他领域，因为你不必担心特征工程。

4.深度学习在图像分类、自然语言处理和语音识别等复杂问题方面真正发挥出色。