深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时,深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。另一方面,在这种情况下,传统的机器学习算法使用制定的规则,性能会比较好。本文主要介绍PyTorch 机器学习与深度学习的区别。
![](https://img-blog.csdnimg.cn/img_convert/7db253c8df89dab9593dc7f3a3b6e8c5.webp?x-oss-process=image/format,png)
1、数据量
机器学习处理不同数量的数据,主要用于少量数据。另一方面,如果数据量迅速增加,深度学习就能有效地工作。下图描述了机器学习和深度学习在数据量方面的工作:
![](https://img-blog.csdnimg.cn/img_convert/f569c7c387cc330f61d67c0057fdcb01.png)
2、硬件依赖性
与传统机器学习算法相反,深度学习算法的设计严重依赖高端机器。深度学习算法执行大量的矩阵乘法运算,需要大量的硬件支持。
3、特征工程学
特征工程学是将领域知识放入指定的特征中,以降低数据的复杂性,使模型对学习算法可见的过程。
例如,传统的机器学习模式专注于像素和其他特征工程过程所需的属性。深度学习算法专注于数据的高级特征。它减少了针对每个新问题开发新的特征提取器的任务。
参考资料:https://www.cjavapy.com/article/1975/