深度学习的介绍

---

目录

1）深度学习的概念

2）深度学习和机器学习的区别

2.1 区别一：特征提取

2.2 区别二：数据依赖

2.3区别三：硬件依赖

2.4区别四：解决问题的方式

3） 深度学习应用场景

3.1 图像识别

3.2 自然语言的处理

3.3 语音技术

4）常见的深度学习框架

---

目标：

1.知道什么是深度学习

2.知道深度学习和机器学习的区别

3.能够说出深度学习的主要应用场景

4.知道深度学习的常用框架

1）深度学习的概念

深度学习（deep learning ）是机器学习的分支，是一种以人工神经网络为架构，对数据进行特征学习的算法

2）深度学习和机器学习的区别

2.1 区别一：特征提取

特征工程就是我们在训练一个模型的时候，需要首先确定有哪些特征。

1.在机器学习方法中，几乎所有的特征都需要通过行业专家在确定，然后手工就特征进行编码。

2.而深度学习算法试图自己从数据中学习特征。

深度学习好处：特征工程是一项十分繁琐、耗费很多人力物力的工作，深度学习的出现大大减少了发现特征的成本。

2.2 区别二：数据依赖

 深度学习适合处理大数据（这就是为什么近年来为什么深度学习这么火），而数据量比较小的时候，用传统机器学习方法也许更合适

2.3区别三：硬件依赖

深度学习十分地依赖于高端的硬件设施，因为计算量实在太大了！深度学习中涉及很多的矩阵运算，因此很多深度学习都要求有GPU参与运算，因为GPU就是专门为矩阵运算而设计的。

相反，普通的机器学习随便给一台破电脑就可以跑。

2.4区别四：解决问题的方式

在解决问题时，传统机器学习算法通常先把问题分成几块，一个个地解决好之后，再重新组合起来。

但是深度学习则是一次性地、端到端地解决。

3） 深度学习应用场景

3.1 图像识别

1.物体识别

2.场景识别

3.人脸检测跟踪

4.人脸身份认证

3.2 自然语言的处理

1.机器翻译（浏览器里的自动翻译）

2.文本识别

3.聊天对话

3.3 语音技术

1.语音识别

4）常见的深度学习框架

TensorFlow,Caffe2,Keras,Theano,Pytorch(本人现在用的就是这个)

TensorFlow Keras是Google家的（比较难上手）

入门推荐pytorch(火炬)