深度学习的区别是什么

深度学习的区别是什么
深度学习之所以发展如此迅速，主要是因为它在很多问题上表现出了更好的表现。但它没有
是唯一的原因。深度学习还使问题解决变得更容易，因为它完全自动化了特征工程，而过去的特征工程是
经典是机器学习工作流程中最关键的一步。
以前的机器学习技术（浅层学习）只涉及将输入数据转换到一个或两个连续的表示空间，通常
使用简单的转换，如高维非线性投影(SVM)或决策树。但这些技术往往无法解决复杂的问题
所需的确切表示。因此，人们必须尽一切努力使初始输入数据更适合在这些方法中处理，还必须
手动设计的数据表示层。这被称为特征工程。相比之下，深度学习将这一步完全自动化：
有了深度学习，你可以一次学习所有的特性，而不必手动设计它们。这大大简化了机器学习
工作流，它通常用一个简单的、端到端的深度学习模型取代复杂的多阶段过程。
你可能会问，如果问题的症结是有多个连续的表示层，你能反复应用浅层方法来实现吗
和深度学习类似吗？在实践中，如果持续应用浅层学习法，其效益会随着层数的增加而迅速增加
速度下降是因为三层模型中的最佳第一表示层不是单层或两层模型中的最佳第一表示层。深度
学习的变革性本质是模型可以同时学习所有表示层，而不是顺序地、连续地学习（这被称为
通过公共特征学习，一旦模型修改了一个内部特征，依赖于该特征的所有其他特征
症状会在没有人为干预的情况下自动调整和适应。每一件事都由一个单一的反馈信号监督：模型中的每一个地方
改变都是为了最终目标。这种方法比贪婪地叠加浅层模型更强大，因为它可以通过组合复杂、
抽象表示被拆解成许多中间空间（层）来学习这些表示，每个中间空间只是前一个空间
简单的变换。
深度学习在从数据中学习时有两个基本特征：一是以渐进式、逐层式的方式形成
表征越复杂；二、中间借鉴这些递进表征，每一层的变化都需要同时考虑
下两层的需求。总之，这两个特点使得深度学习比以往的机器学习方法更加成功。