深度學習和普通的機器學習有什么區(qū)別？一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統(tǒng)機器學習無法解決的一些問題

深度學習和普通的機器學習有什么區(qū)別？

一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統(tǒng)機器學習無法解決的一些問題。

機器學習的意義在于代替人工完成重復性工作，識別出統(tǒng)一的規(guī)則（模式）。但是對于傳統(tǒng)的機器學習來說，特征提取的難度不?。ㄌ卣骺梢允窍袼亍⑽恢?、方向等）。特征的準確性將在很大程度上決定大多數(shù)機器學習算法的性能。為了使特征準確，在特征工程部分需要大量的人力來調(diào)整和改進特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識別。如果不滿足這一前提，傳統(tǒng)的機器學習算法將在信息的雜亂中失去其性能。深度學習的應用正是基于這個問題。它的深層神經(jīng)網(wǎng)絡使它能夠在雜波中學習，自動發(fā)現(xiàn)與任務相關的特征（可以看作是自發(fā)學習的特征工程），并提取高級特征，從而大大減少了特征工程部分任務所花費的時間。

另一個明顯的區(qū)別是他們對數(shù)據(jù)集大小的偏好。傳統(tǒng)的機器學習在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時表現(xiàn)出良好的性能，而深度學習則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴大，深度學習的效果會逐漸顯現(xiàn)出來，并變得越來越好。對比如下圖所示。

多層感知器，為什么能實現(xiàn)非線性？

由于增加了激活函數(shù)，如果激活函數(shù)是非線性的，則可以實現(xiàn)非線性。這個原則很簡單。你可以試著用非線性函數(shù)來設置一個線性函數(shù)來運算，結(jié)果一定是非線性的。

然而，多層感知器網(wǎng)絡不一定具有激活函數(shù)，并且激活函數(shù)不一定是非線性的。該方法可人為設定，僅利用非線性激活函數(shù)加隨機權初值，是理論和實踐驗證的最佳方法。

多層感知器和bp神經(jīng)網(wǎng)絡解決異或問題有什么不同？

BP神經(jīng)網(wǎng)絡是指用“BP算法”訓練的“多層感知器模型”。多層感知器（MLP）是一種前饋人工神經(jīng)網(wǎng)絡模型，它將多個輸入數(shù)據(jù)集映射為一個輸出數(shù)據(jù)集，可以解決任何線性不可分問題。不要把算法和網(wǎng)絡混為一談。