TensorFlow工具快速入门教程4机器学习和深度学习的区别

2018-11-21 本文已影响111人 python测试开发

人工智能赋予机器认知能力。人工智能的基准是有关推理，言语和愿景的人类智慧。这个基准还很遥远。

到目前为止，机器学习是分析，理解和识别数据模式的最佳工具。机器学习背后的主要思想之一是计算机可以训练以自动执行对于人类来说是穷举或不可能的任务。

机器学习使用数据来提供可以理解输入和输出之间关系的算法。当机器完成学习时，它可以预测新数据点的值或类。

图片.png

训练分类器以检测图像是否是：自行车、船、汽车和飞机。

上面的四个对象是分类器必须识别的类。要构造分类器，您需要将数据作为输入并为其分配标签。算法将获取这些数据，找到模式，然后在相应的类中对其进行分类。

这项任务称为监督学习。在监督学习中，您提供给算法的训练数据包括标签。

训练算法需要遵循几个标准步骤：收集数据、训练分类器、作出预测

数据决定算法成败。您选择用于训练模型的数据称为要素。在对象示例中，特征是图像的像素。

图像大小为28x28，则数据集包含784列（28x28）。在下图中，每张图片都已转换为特征向量。标签告诉计算机图像中有什么对象。

图片.png

目标是使用这些训练数据来分类对象的类型。第一步包括创建要素列。然后，第二步涉及选择训练模型的算法。训练完成后，模型将预测哪个图片对应于哪个对象。之后，很容易使用该模型来预测新图像。

在深度学习中，学习阶段通过神经网络完成。

图片.png

每个输入进入神经元并乘以权重。乘法的结果流向下一层并成为输入。对网络的每一层重复该过程。最后一层被命名为输出层;它为回归任务提供了实际值，并为分类任务提供了每个类的概率。神经网络使用数学算法来更新所有神经元的权重。当权重值给出接近现实的输出时，神经网络完成完全训练。

数据集可包含十几个到数百个特征。系统将从这些功能的相关性中学习。但是，并非所有功能对算法都有意义。机器学习的一个关键点是找到相关的特征，以使系统学到一些东西。

在机器学习中执行此部分的一种方法是使用特征提取。特征提取结合了现有特征，以创建更相关的特征集。它可以通过PCA，T-SNE或任何其他降维算法来完成。

例如，图像处理，从业者需要在图像中手动提取特征，如眼睛，鼻子，嘴唇等。那些提取的特征被提供给分类模型。

深度学习解决了这个问题，特别是卷积神经网络。神经网络的第一层将从图片中学习小细节;下一层将结合以前的知识，以制作更复杂的信息。在卷积神经网络中，使用滤波器完成特征提取。网络对图片应用滤波器以查看是否存在匹配，即特征的形状与图像的一部分相同。如果匹配，网络将使用此过滤器。因此，特征提取过程自动完成。

图片.png

类别	机器学习	深度学习
数据依赖性	在小/中数据集上表现出色	在大数据集上表现出色
硬件依赖	在低端机器上工作。	需要强大的机器，最好是GPU：DL执行大量的矩阵乘法
特征工程	需要了解表示数据的功能	无需了解代表数据的最佳功能
执行时间处理时间	从几分钟到几小时	长达数周。神经网络需要计算大量的权重
解释性	有些算法易于解释（逻辑，决策树），有些算法几乎不可能（SVM，XGBoost）	很难不可能

人工智能赋予机器认知能力。早期的AI系统使用模式匹配和专家系统。

机器学习背后的想法是机器可以在没有人为干预的情况下学习。机器需要找到一种方法来学习如何在给定数据的情况下解决任务。

深度学习是人工智能领域的突破。当有足够的数据进行训练时，深度学习可以获得令人印象深刻的结果，特别是对于图像识别和文本翻译。