深度学习与神经网络有何区别？

深度学习与神经网络对比

简单来说，深度学习就是具有多个神经层的神经网络的另一种说法。

为了充分利用观测数据（例如图片或音频），神经网络会跨互联的神经网络节点层传递数据。在每一个节点层上，每一个节点都会对数据进行简单运算，并有选择地将数据传递到其他节点。随着数据不断传递，每一个节点层都会利用比上一层更高级的特性来处理数据，直至输出结果。

在输入层与输出层之间，所有的神经网络层均被称为隐藏层。神经网络与深度学习的区别在于，一个基本的神经网络可能拥有一个或两个隐藏层，而一个深度学习网络可能拥有数十个甚至数百个隐藏层。一般来说，层数和节点越多，结果就越准确。不过，层数越多，深度学习模型的参数和对计算的需求就越多。

神经网络可通过一组输入层来接收原始数据，而深度学习可以通过神经网络层对信息进行分类。例如，经过鸟类图像训练的神经网络可以识别鸟类图像。更多的层意味着更准确的结果，例如随着层数增加，神经网络能够从区分乌鸦和鸡升级到区分渡鸦和乌鸦。此外，深度学习算法驱动的深度神经网络拥有多个隐藏层（位于输入节点和输出节点之间），可以完成更加复杂的数据分类工作。深度学习算法必须基于大量的数据进行训练，它接收的数据越多，就越准确。例如，只有经过数千张鸟类图像的训练，算法才能准确地对新的鸟类图像进行分类。

对于神经网络而言，深度学习模型训练是一项资源密集型工作。在训练中，神经网络摄取数据（即输入），然后隐藏层基于权重（即表示输入数据之间连接强度的参数，将在训练过程中适时调整）对数据进行处理，最后输出预测。其中，权重将基于训练所使用的输入数据进行调整，以此来优化预测。深度学习模型需要耗费大量时间来训练海量数据，因此，高性能计算不可或缺。

GPU 针对数据计算进行了专门优化，旨在提高大规模矩阵计算的性能。它尤其适用于并行执行大规模机器学习 (ML) 和深度学习，可帮助机器学习应用高效地对大量结构化或非结构化数据（例如图像、文本和语音）执行大量运算，实现卓越性能。