何时使用机器学习或深度学习-德赢Vwin官网网

鉴于科学的快速发展和演变，了解使用哪些人工智能技术来推进项目可能具有挑战性。本文概述了机器学习和深度学习之间的区别，以及如何确定何时应用它们。

定义：机器学习与深度学习

在机器学习和深度学习中，工程师都使用 MATLAB 等软件工具，使计算机能够通过从示例数据集中学习来识别数据的趋势和特征。在机器学习的情况下，训练数据用于构建模型，计算机可以使用该模型对测试数据以及最终的真实数据进行分类。传统上，此工作流程中的一个重要步骤是开发特征——从原始数据派生的附加指标——这有助于模型更加准确。

深度学习是机器学习的一个子集，工程师和科学家跳过了创建特征的手动步骤。相反，数据被输入深度学习算法，它会自动学习哪些特征对确定输出最有用。

机器学习：人工智能的一个分支，工程师和科学家在其中手动选择数据中的特征并训练模型。常见的机器学习算法包括决策树、支持向量机、神经网络和集成方法。

深度学习：机器学习的一个分支，松散地模仿人脑的神经通路，算法自动学习哪些特征是有用的。常见的深度学习算法包括卷积神经网络（CNN）、递归神经网络和深度 Q 网络。

项目简介

机器学习通常用于涉及预测输出或发现趋势的项目。在这些示例中，使用有限的数据体来帮助机器学习模式，这些模式以后可以用来对新的输入数据做出正确的判断。机器学习中使用的常用算法包括线性回归、决策树、支持向量机（SVM）、朴素贝叶斯、判别分析、神经网络和集成方法。

深度学习更为复杂，通常用于涉及对图像进行分类、识别图像中的对象以及增强图像和信号的项目。在这些情况下，可以应用深度神经网络，因为它们旨在从空间和时间组织的数据（例如图像和信号）中自动提取特征。深度学习中常用的算法包括卷积神经网络（CNN）、循环神经网络（RNN）和强化学习（深度 Q 网络）。

如果您需要更快的结果，机器学习算法可能更可取。它们的训练速度更快，并且需要更少的计算能力。特征和观察的数量将是影响训练时间的关键因素。应用机器学习的工程师应该将大部分时间用于开发和评估功能以提高模型的准确性。

深度学习模型需要时间来训练。预训练网络和公共数据集可以通过迁移学习缩短训练时间，但有时实施起来可能很复杂。一般来说，深度学习算法可能需要一分钟到几周的时间来训练，具体取决于你的硬件和计算能力。应用深度学习的工程师应该将大部分时间花在训练模型和修改深度神经网络的架构上。

选择机器学习与深度学习的考虑因素

数据注意事项

了解可用数据集有助于确定机器学习还是深度学习应该应用于给定任务。

通常，当可用的结构化数据更有限时，会使用机器学习。大多数机器学习算法旨在将模型训练为表格数据（组织成独立的行和列）。如果数据是非表格的，可以应用机器学习，但它确实需要一些数据处理——即传感器数据可以通过使用常用统计指标（均值、中值、标准差、偏度、峰度等），然后与传统的机器学习技术一起使用。

深度学习通常需要大量的训练数据来确保网络很可能具有数千万个参数并且不会过度拟合训练数据。卷积神经网络旨在对图像数据进行操作，尽管它们也可以通过对信号执行时频计算（例如频谱图）来用于传感器数据。LSTM（长短期记忆）网络等循环神经网络旨在对信号和文本等顺序数据进行操作。

可用硬件和部署

确定应该应用哪种人工智能方法也取决于可用的硬件。

机器学习算法需要较少的计算能力。例如，台式机 CPU 足以训练这些模型。

对于深度学习模型，由于更高的内存和计算要求，通常需要专门的硬件。专用硬件也是合适的，因为在深度神经网络中执行的操作（例如卷积）非常适合 GPU 的并行架构。

深度学习模型需要大量的计算能力。如果 GPU 可用，或者是否有时间在 CPU 上运行训练（这将花费更长的时间），则应考虑它们。

由于与获取 GPU 相关的高成本，在集群或云上训练深度学习模型已在深度学习中流行起来。此选项允许多个研究人员共享硬件。

部署到嵌入式 GPU 也很受欢迎，因为它可以在部署的环境中提供快速的推理速度。GPU Coder 支持从 MATLAB 中的深度学习模型生成代码，该模型利用来自 Intel、NVIDIA和 Arm 的优化库。借助适用于 NVIDIA GPU 的GPU Coder Support Package，您可以交叉编译和部署生成的 CUDA 代码，作为嵌入式 GPU 上的独立应用程序。

不断发展的科学指南

虽然总会有反复试验，但上述内容可以帮助指导决策并加快机器学习和深度学习新手和科学家的整体设计过程。通过了解机器学习和深度学习之间的差异、了解项目的最终应用以及考虑数据和硬件可用性，设计团队将更快地了解哪种方法最适合各自的项目。

审核编辑：郭婷

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

ARM

ARM

+关注

关注
134

文章
9083

浏览量
367371
NVIDIA

NVIDIA

+关注

关注
14

文章
4978

浏览量
102980
机器学习

机器学习

+关注

关注
66

文章
8406

浏览量
132553

NPU在深度学习中的应用

随着人工智能技术的飞速发展，深度学习作为其核心驱动力之一，已经在众多领域展现出了巨大的潜力和价值。NPU（Neural Processing Unit，神经网络处理单元）是专门为深度学习

发表于 11-14 15:17 •497次阅读

GPU深度学习应用案例

GPU在深度学习中的应用广泛且重要，以下是一些GPU深度学习应用案例：一、图像识别图像识别是深度学习

发表于 10-27 11:13 •378次阅读

激光雷达技术的基于深度学习的进步

信息。这使得激光雷达在自动驾驶、无人机、机器人等领域具有广泛的应用前景。二、深度学习技术的发展深度学习是

发表于 10-27 10:57 •365次阅读

人工智能、机器学习和深度学习存在什么区别

人工智能指的是在某种程度上显示出类似人类智能的设备。AI有很多技术，但其中一个很大的子集是机器学习——让算法从数据中学习。

发表于 10-24 17:22 •2479次阅读

AI大模型与深度学习的关系

AI大模型与深度学习之间存在着密不可分的关系，它们互为促进，相辅相成。以下是对两者关系的介绍：一、深度学习是AI大模型的基础技术支撑：深度

发表于 10-23 15:25 •641次阅读

深度学习中的时间序列分类方法

时间序列分类（Time Series Classification, TSC）是机器学习和深度学习领域的重要任务之一，广泛应用于人体活动识别、系统监测、金融预测、医疗诊断等多个领域。随

发表于 07-09 15:54 •871次阅读

深度学习中的无监督学习方法综述

深度学习作为机器学习领域的一个重要分支，近年来在多个领域取得了显著的成果，特别是在图像识别、语音识别、自然语言处理等领域。然而，深度

发表于 07-09 10:50 •670次阅读

深度学习在视觉检测中的应用

深度学习是机器学习领域中的一个重要分支，其核心在于通过构建具有多层次的神经网络模型，使计算机能够从大量数据中自动学习并提取特征，进而实现对复

发表于 07-08 10:27 •698次阅读

深度学习与nlp的区别在哪

深度学习和自然语言处理（NLP）是计算机科学领域中两个非常重要的研究方向。它们之间既有联系，也有区别。本文将介绍深度学习与NLP的区别。深度

发表于 07-05 09:47 •904次阅读

人工智能、机器学习和深度学习是什么

在科技日新月异的今天，人工智能（Artificial Intelligence, AI）、机器学习（Machine Learning, ML）和深度学习（Deep Learning,

发表于 07-03 18:22 •1258次阅读

深度学习与传统机器学习的对比

在人工智能的浪潮中，机器学习和深度学习无疑是两大核心驱动力。它们各自以其独特的方式推动着技术的进步，为众多领域带来了革命性的变化。然而，尽管它们都属于

发表于 07-01 11:40 •1319次阅读

FPGA在深度学习应用中或将取代GPU

、笔记本电脑或机架式服务器上训练神经网络时，这不是什么大问题。但是，许多部署深度学习模型的环境对 GPU 并不友好，比如自动驾驶汽车、工厂、机器人和许多智慧城市环境，在这些环境中硬件必

发表于 03-21 15:19

为什么深度学习的效果更好？

导读深度学习是机器学习的一个子集，已成为人工智能领域的一项变革性技术，在从计算机视觉、自然语言处理到自动驾驶汽车等广泛的应用中取得了显著的成功。深度

发表于 03-09 08:26 •617次阅读

人工智能和机器学习的顶级开发板有哪些？

机器学习（ML）和人工智能（AI）不再局限于高端服务器或云平台。得益于集成电路（IC）和软件技术的新发展，在微型控制器和微型计算机上实现机器学习

发表于 02-29 18:59 •818次阅读

什么是深度学习？机器学习和深度学习的主要差异

2016年AlphaGo 击败韩国围棋冠军李世石，在媒体报道中，曾多次提及“深度学习”这个概念。

发表于 01-15 10:31 •1067次阅读