神经网络(neural network)和深度学习(deep learning)的区别

神经网络与深度学习的关键区别在于，神经网络的运行方式与人脑中的神经元相似，可以更快地完成各种计算任务，而深度学习是一种特殊的机器学习，模仿人类获取知识的学习方法。

神经网络有助于建立预测模型来解决复杂问题。另一方面，深度学习是机器学习的一部分。它有助于发展语音识别、图像识别、自然语言处理、推荐系统、生物信息学等等。神经网络是一种实现深度学习的方法。

什么是神经网络(neural network)？

生物神经元是神经网络的灵感来源。人脑中有数百万个神经元，信息从一个神经元传递到另一个神经元。神经网络使用这个场景。他们创造了一个类似大脑的计算机模型。它可以比一般系统更快地完成复杂的计算任务。

神经网络(neural network)和深度学习(deep learning)的区别

图01：神经网络框图

在神经网络中，节点相互连接。每个连接都有一个权重。当节点的输入是x1，x2，x3，…并且相应的权重是w1，w2，w3，…那么净输入（y）是，

y=x1w1+x2w2+x3w3+…。

将网络输入应用到激活函数后，它给出输出。激活函数可以是线性函数，也可以是sigmoid函数。

Y=F（Y）

如果此输出与期望输出不同，则再次调整重量，并继续此过程，直到获得所需输出。此更新权重根据反向传播算法进行。

有两种神经网络拓扑称为前馈和反馈。前馈网络没有反馈回路。换句话说，信号只从输入流到输出端。前馈网络又分为单层神经网络和多层神经网络。

网络类型

在单层网络中，输入层连接到输出层。多层神经网络在输入层和输出层之间有更多的层。这些层称为隐藏层。另一种网络类型是反馈网络，它有反馈路径。此外，还有可能向双方传递信息。

图02：多层神经网络

神经网络通过修改节点间连接的权值来学习。有三种学习类型，如监督学习、无监督学习和强化学习。在有监督学习中，网络根据输入向量提供一个输出向量。将该输出向量与期望的输出向量进行比较。如果存在差异，权重将修改。此过程将继续进行，直到实际输出与所需输出匹配为止。

在无监督学习中，网络通过自身的输入数据和输入数据之间的关系来识别模式和特征。在这种学习中，相似类型的输入向量组合起来创建集群。当网络获得一个新的输入模式时，它将给出指定该输入模式所属的类的输出。强化学习接受来自环境的一些反馈。然后网络改变权重。这些是训练神经网络的方法。总的来说，神经网络有助于解决各种模式识别问题。

什么是深度学习(deep learning)？

在深入学习之前，讨论机器学习是很重要的。它使计算机能够在没有明确编程的情况下进行学习。换句话说，它有助于创建自学习算法来分析数据并识别模式以做出决策。但是，一般的机器学习也有一些局限性。首先，很难处理高维数据或非常大的输入和输出集。也可能很难进行特征提取。

深度学习解决了这些问题。它是机器学习的一种特殊类型。它有助于建立类似人脑的学习算法。深层神经网络和递归神经网络是一些深层学习结构。深层神经网络是具有多个隐藏层的神经网络。递归神经网络利用记忆来处理输入序列。

神经网络(neural network)和深度学习(deep learning)的区别

神经网络是一种类似人脑神经元的系统，它能更快地完成各种计算任务。深度学习是一种特殊类型的机器学习，它模仿人类用来获取知识的学习方法。神经网络是实现深度学习的一种方法。另一方面，深度学习是机器学习的一种特殊形式。这就是神经网络和深度学习的主要区别

神经网络(neural network)和深度学习(deep learning)的区别

总结 - 神经网络(neural network) vs. 深度学习(deep learning)

神经网络与深度学习的区别在于，神经网络的运行方式与人脑中的神经元相似，可以更快地完成各种计算任务，而深度学习是一种特殊的机器学习，模仿人类获取知识的学习方法。

引用

1.“什么是深度学习（深度神经网络）？–定义来自WhatIs.com网站“SearchEnterpriseAI。在这里提供2。”深度学习，维基百科，维基媒体基金会，2018年5月30日。这里有3.edurekaIN。什么是深度学习|深度学习简化|深度学习教程| Edureka，Edureka！，2017年5月10日。此处提供4.教程点。2018年1月8日，人工神经网络教程。此处提供
2.“深度学习”，维基百科，维基媒体基金会，2018年5月30日。
3.爱德华肯。什么是深度学习|深度学习简化|深度学习教程| Edureka，Edureka！2017年5月10日
4.教程要点。“人工神经网络积木。”