许多人可能会将深度学习与机器学习混淆，但事实是它们并不相同，并且具有不同的特征和功能，我们将在下面看到。
在机器学习中，使用分类器手动选择各个方面以对其进行分类，而在深度学习中，这些过程是自动的。
在机器学习工作流程中，它首先手动提取图像中最相关的方面，但在深度学习工作流程中，这些相关方面是直接从这些图像中提取的。
深度学习是完全学习，即数据是原始的，机器必须自行学习或自动学习。
深度学习算法随着数据规模的增加而增加，但对于浅层学习则需要收敛。后者表明机器学习方法在一定性能下可能会陷入死胡同，例如向神经网络添加更多训练数据。
[推文“深度学习是完整的学习，也就是说，数据是原始的，机器必须自动学习。”]
深度学习如何运作
所有具有算法的机器都可以与神经网络一 卡塔尔博彩数据 起工作，只有深度学习走得更远，可以与“深度神经网络”一起工作。
这是由于该技术模型运行的隐藏层或隐藏层的数量。
据估计，这个数量超过一百五十层，因此操作起来也很复杂。
深度学习的运作方式是通过标记的数据集和神经网络中的动态来训练模型，模型可以从数据中学习，而无需手动实现。
另一方面，最流行的深度神经网络类型之一是卷积神经网络（CNN 或 ConvNet）。
其运作方式是，CNN 将学习到的方面与输入信息进行卷积，并使用 2D 卷积层，这使得这种动态有利于处理图像等 2D 数据。
就其本身而言，这些 CNN 消除了手动特征提取的需要，因此需要识别 2D 材料分类中使用的方面。
因此，CNN 直接从图像中提取最相关的特征。
这些特征之前没有经过训练，因为它们是在使用图像集合训练网络时学习的。
这使得深度学习模型与计算机视觉一样准确或特定于任务，因为它用于对事物进行分类。
总之，CNN 通过许多隐藏层“学习”了解图像的不同特征，其中每个隐藏层都增加了学习对象特征的复杂性。
为了让您更好地理解，我们给您举一个例子：第一个隐藏层学习颜色，而第二个隐藏层学习如何了解图像的边缘。