深度学习和机器学习的关系（小白版-笔记）

机器学习定义：使用计算机作为工具模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率（简而言之就是机器利用大量数据来模拟人的行为）

深度学习：深度学习是机器学习的一个很重要的分支，深度学习是学习对图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

机器学习的价值举例，在推荐系统中的应用举例：A和B正在浏览拼多多，想买一双XX拖鞋！拼多多根据A和B的历史购买记录和机器学习训练的模型（可以理解成大家购买的历史经验），根据算法应用知道A和B的预期心理价格，A所接受的价格30元、B所接受的价格10元，那么平台就将大量30元左右XX拖鞋推送给A的手机列表，为B展示10元的XX，同一个东西可以赚A\B两个人的钱。推荐系统目前不仅仅只是针对商品本身的推荐，开始慢慢决定你要买的商品，推荐系统的好坏已经开始决定电商平台成败的关键了！（当初应该沉住气做推荐系统）

转入正题，一个图演示机器学习、人工智能、深度学习的关系。网上看到的最好的解释，站在巨人肩上借用。

今天的笔记主要是深度学习，其他就不做过多介绍。

深度学习是神经网络的升级优化，它最近几年的火热很大程度依赖GPU能力的提升。

以文字识别为例解释深度学习

假设深度学习要处理的信息是“水流”，而处理数据的深度学习网络是一个由管道和阀门组成的巨大水管网络。网络的入口是若干管道开口，网络的出口也是若干管道开口。这个水管网络有许多层，每一层由许多个可以控制水流流向与流量的调节阀。根据不同任务的需要，水管网络的层数、每层的调节阀数量可以有不同的变化组合。对复杂任务来说，调节阀的总数可以成千上万甚至更多。水管网络中，每一层的每个调节阀都通过水管与下一层的所有调节阀连接起来，组成一个从前到后，逐层完全连通的水流系统。

那么，计算机该如何使用这个庞大的水管网络来学习识字呢？

比如，当计算机看到一张写有“田”字的图片，就简单将组成这张图片的所有数字（在计算机里，图片的每个颜色点都是用“0”和“1”组成的数字来表示的）全都变成信息的水流，从入口灌进水管网络。

我们预先在水管网络的每个出口都插一块字牌，对应于每一个我们想让计算机认识的汉字。这时，因为输入的是“田”这个汉字，等水流流过整个水管网络，计算机就会跑到管道出口位置去看一看，是不是标记由“田”字的管道出口流出来的水流最多。如果是这样，就说明这个管道网络符合要求。如果不是这样，就调节水管网络里的每一个流量调节阀，让“田”字出口“流出”的水最多。

这下，计算机要忙一阵了，要调节那么多阀门！好在计算机的速度快，暴力的计算加上算法的优化，总是可以很快给出一个解决方案，调好所有阀门，让出口处的流量符合要求。

 下一步，学习“申”字时，我们就用类似的方法，把每一张写有“申”字的图片变成一大堆数字组成的水流，灌进水管网络，看一看，是不是写有“申”字的那个管道出口流水最多，如果不是，我们还得再调整所有的阀门。这一次，要既保证刚才学过的“田”字不受影响，也要保证新的“申”字可以被正确处理。

如此反复进行，知道所有汉字对应的水流都可以按照期望的方式流过整个水管网络。这时，我们就说，这个水管网络是一个训练好的深度学习模型了。当大量汉字被这个管道网络处理，所有阀门都调节到位后，整套水管网络就可以用来识别汉字了。这时，我们可以把调节好的所有阀门都“焊死”，静候新的水流到来。

深度学习和机器学习在算法实现应用过程的关系用下图体现最合适：