非深度学习技术还有必要学习吗？深度学习的特点有哪些？

现在的深度学习技术受到了大家的关注，很多朋友都想学习这个技术，那么对于非深度学习技术，还需要去学习吗？下面就给朋友们具体的说明一下并介绍深度学习的特点有哪些。

非深度学习技术还有必要学习吗？

深度学习已经彻底改变了计算机视觉和人工智能这一领域，许多曾经看起来不可能解决的问题，深度学习都能够解决——尤其是在图像识别和分类问题上，机器已经超越人类。事实上，深度学习也强化了计算机视觉在行业中的重要地位。

但是，深度学习对计算机视觉来说仅仅是一种工具，它不可能成为解决所有问题的万能药。所以，在这篇文章中，我想阐述一下为什么传统计算机视觉技术仍然很重要，并且值得我们去深入学习和研究。

深度学习需要大数据；

深度学习有时过于深度（杀鸡焉用牛刀）；

传统的计算机视觉有助于更好的使用深度学习。

深度学习的特点

区别于传统的浅层学习，深度学习的不同在于：

(1)强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；

(2)明确了特征学习的重要性。也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据丰富的内在信息。

通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输人层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能的逼近现实的关联关系。使用训练成功的网络模型，就可以实现我们对复杂事务处理的自动化要求。

深度学习的应用

计算机视觉

香港中文大学的多媒体实验室是最早应用深度学习进行计算机视觉研究的华人团队。在世界级人工智能竞赛LFW（大规模人脸识别竞赛）上，该实验室曾夺得冠军，使得人工智能在该领域的识别能力首次超越真人。

语音识别

微软研究人员通过与hinton合作，首先将RBM和DBN引入到语音识别声学模型训练中，并且在大词汇量语音识别系统中获得巨大成功，使得语音识别的错误率相对减低30%。但是，DNN还没有有效的并行快速算法，很多研究机构都是在利用大规模数据语料通过GPU平台提高DNN声学模型的训练效率。

在国际上，IBM、google等公司都快速进行了DNN语音识别的研究，并且速度飞快。

国内方面，中科院自动化所等公司或研究单位，也在进行深度学习在语音识别上的研究。

自然语言处理等其他领域

很多机构在开展研究，2013年，Tomas Mikolov，Kai Chen，Greg Corrado，Jeffrey Dean发表论文Efficient Estimation of Word Representations in Vector Space建立word2vector模型，与传统的词袋模型（bag of words）相比，word2vector能够更好地表达语法信息。深度学习在自然语言处理等领域主要应用于机器翻译以及语义挖掘等方面。

非深度学习技术还有必要学习吗？通过以上的介绍，我们已经了解到，非深度学习技术还是很有必要学习的，深度学习技术固然重要，但是也不要抛弃传统的一些非深度学习技术。