机器学习和深度学习的三点关键区别

最简单、最重要的三点区别

深度学习是机器学习的一种子类，通常我们讲的机器学习是传统机器学习方法，比较也是建立于传统机器学习和深度学习两者的区别。

学习的东西不同
训练和测试的机制不同
可解释性/可修改性不同

学习的东西不同

以图像为例，机器学习学到的是一系列设定好的指标的参数，这些指标可能是图像的边缘信息、纹理信息、线条曲度信息等等，给这些参数设定权重送入系统中训练，返回最优参数。所以机器学习学到的是一些较为具体的指标的参数，通常需要建立模型来一步步解决问题。

深度学习则是一种模糊的学习方式，它的机制是一个黑匣子，你无法回答学习的一整个过程是在学图像的哪方面具体信息，学到了颜色特征还是纹理特征，它学到的是一个整体特征。就像人脑神经网络有大量神经元复杂交错地连接在一起传递电信号一样，深度学习的神经网络多层结构也是有很多节点模仿了神经元的功能来传递信息，这个过程中能说哪个神经元负责处理哪个具体的图像参数信息吗？并不能，他们作为一个整体在运作。

训练和测试的机制不同

训练机制

训练时，机器学习和深度学习的性能都随着图像等其他数据的输入而提升，数据量到达某一程度时，机器学习的性能会趋于稳定，此时再输入再多的数据，模型已经总体平稳，即使性能有所上下抖动，也不是向着学得更好地方向进步了，就只是抖动而已。

而深度学习则不同，对深度学习而言，送入训练的数据量越多，系统就能学到更多需要的信息，就能更好地理解信息的含义和内容并进行预测和判断。也就是给予系统更多数据训练，性能总是向着更好的方向前进的，当然，过多的数据量只会带来超长运算时间，越往后对性能提升微乎其微。

测试机制

测试时，一般机器学习的耗时会比深度学习长，机器学习需要将每个测试的数据进行和训练时类似的计算步骤，因此耗时较长。相比较，深度学习测试时的效率非常高。

可解释性/可修改性不同

就像前文所说的，机器学习学到的是比较具象的信息，一般有具体的物理含义，深度学习学到的是无法描述的数据信息。这就带来了他们在可解释性上的差别，由此也带来了可修改性的不同。

机器学习往往能够通过过程解释模型效果的好坏，比如同一个模型在识别实心方形和实心圆形的图像上效果很好，然而在识别实心方形和空心方形上效果很差，这也许是因为模型中关于图像边缘平滑度的参数设置的权重比较大，这样一来根据特定的功能实现需求，就可以针对性地调整模型的某个部分。

如果把同样的问题放到深度学习上，你就无法判断哪里出了问题使得结果变好或是变坏，只能根据经验和运气调整模型，结果怎么样都不好说了。

end