关于深度学习的一些浅见
深度学习
就是更深层次的学习，它是机器学习的一个子领域，就我个人理解而言，它就是一个深度神经网络。
深度神经网络
就是拥有很多隐藏层的神经网络，通常只要隐藏层超过2个，我们就可以把这个神经网络定义为深度神经网络，当然，隐藏层的激活函数应该是非线性的，如果是线性的，即使10000层，它的学习能力也仅仅相当于带有一个隐藏层的神经网络。
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。
深度学习到底有什么好处呢，或者是它相当于传统的机器学习来说有什么优势呢?
1.能够从原始数据中自动提取特征，而不需要人工的设计特征。这也就是所谓的特征学习或者表示学习，而在表示学习中最关键的就是逐层处理。假如我们要处理一个图像，神经网络有很多层，那么在最底层，网络看到的是像素，当一层一层往上的时候，看到的可能是边缘，在往上可能是轮廓或者是某个目标的一个部位。神经网路做的就是逐层的对它看到的东西进行抽象，将低级特征组合成高级特征。那么既然有深度神经网络那也就会有宽度神经网络，顾名思义它就是加宽隐藏层，也就是增加隐藏层中神经元的数量，它虽然增加了模型的复杂度，但是实际效果并没有深度神经网络好，很主要的原因是他没有逐层处理。
2.深度学习相比于其他传统的机器学习还提供了复杂的特征变换，传统的机器学习，比如决策树，虽然他也能达到很深，但是始终是在同一个特征空间中学习，在内部没有进行特征变换，换句话说它们在处理数据的时候用的只是原始特征，而深度神经网络能都对这些原始特征进行复杂的特征变换，学习到更高级的特征。
总结
深度学习并不是万能的，可能很多人知道深度学习的表示能力很强，于是什么问题都可以用它来解决，这种想法很危险。通常来讲深度学习更适合处理结构化数据，传统的机器学习更适合处理非结构化数据，结构化数据就是图像，视频，自然语言等，他们有一个共性，那就是这些数据都是由更小的粒度组合而成，比如图像是由像素组成，声音是由音素组成，文本中的句子是由单词组成，都是低级的特征组合成高级特征，局部特征之间具有很强的相关性，深度学习能够逐层处理，所以适合处理这类数据。非结构化数据，比如订旅馆，买房子来预测价格等等，这些房子或者旅馆的特征可能是几个卧室，几个卫生间，天花板的高度，很明显这些特征无法进行组合成高级特征，而且特征之间也没有很强的局部相关性，所以传统的机器学习适合处理这类问题，直接在这些原始的特征空间中学习。
