1 深度学习与机器学习区别

1 特征提取方面

• 机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识

• 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。

深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言领域

2 数据量

机器学习需要的执行时间远少于深度学习，深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。 

第一、它们需要大量的训练数据集

第二、是训练深度神经网络需要大量的算力

 

3 深度学习的应用场景

• 图像识别

  • 物体识别

  • 场景识别

  • 车型识别

  • 人脸检测跟踪

  • 人脸关键点定位

  • 人脸身份认证

• 自然语言处理技术

  • 机器翻译

  • 文本识别

  • 聊天对话

• 语音技术

  • 语音识别

 

4 TensorFlow的特点

4.1语言多样（Language Options）

  * TensorFlow使用C++实现的，然后用Python封装。谷歌号召社区通过SWIG开发更多的语言接口来支持TensorFlow

4.2使用分发策略进行分发训练

  * 对于大型 ML 训练任务，分发策略 API使在不更改模型定义的情况下，可以轻松地在不同的硬件配置上分发和训练模型。由于 TensorFlow 支持一系列硬件加速器，如 CPU、GPU 和 TPU

4.3Tensorboard可视化

  * TensorBoard是TensorFlow的一组Web应用，用来监控TensorFlow运行过程

4.4在任何平台上的生产中进行强大的模型部署

  一旦您训练并保存了模型，就可以直接在应用程序中执行它，或者使用部署库为其提供服务：

  - [TensorFlow 服务](https://www.tensorflow.org/tfx/serving/)：允许模型通过 HTTP/REST 或 GRPC/协议缓冲区提供服务的 TensorFlow 库构建。
  - [TensorFlow Lite](https://www.tensorflow.org/mobile/tflite/)：TensorFlow 针对移动和嵌入式设备的轻量级解决方案提供了在 Android、iOS 和嵌入式系统上部署模型的能力。
  - [tensorflow.js](https://js.tensorflow.org/)：支持在 JavaScript 环境中部署模型，例如在 Web 浏览器或服务器端通过 Node.js 部署模型。TensorFlow.js 还支持在 JavaScript 中定义模型，并使用类似于 Kera 的 API 直接在 Web 浏览器中进行训练。