深度學習和神經網路有何區別？

深度學習和神經網路這兩個術語可互換使用，因為所有深度學習系統均由神經網路組成。但是，兩者的技術詳細資訊均在區別。有幾種不同類型的神經網路技術，它們可能不適用於深度學習系統。

對於此比較，術語神經網路是指前饋神經網路。前饋神經網路從輸入節點到輸出節點，在一個方向上處理資料。此類網路也稱為簡單神經網路。

接下來探討前饋神經網路和深度學習系統之間的一些主要區別。

架構

在簡單神經網路中，一層中的每個節點會連線至下一層中的每個節點。只有一個隱藏層。

相比之下，深度學習系統具有數個隱藏層，因此具有更高的深度。

有兩種主要類型的深度學習系統，它們採用不同的架構：卷積神經網路 (CNN) 和遞歸神經網路 (RNN)。

CNN 架構

CNN 有三個層群組：

• 卷積層使用預先設定的篩選條件，從輸入的資料中擷取資訊。
• 集區層可減少資料的維度，將資料分解為不同的部分或區域。
• 完全連接層可在層之間建立額外的神經通路。這樣，網路就可以學習功能之間的複雜關係並執行高層級預測。

可以在處理影像和視訊時使用 CNN 架構，因為該架構可以處理不同維度和大小的輸入。 

RNN 架構

RNN 的架構可以視覺化為一系列遞歸單元。

每個單元連線至前一個單元，形成一個定向循環。在每個時間步驟中，遞歸單元接受當前輸入，並將其與以前的隱藏狀態相結合。該單元產生一個輸出並更新下一個時間步驟的隱藏狀態。此程序會針對序列中的每個輸入重複，這可讓網路隨時間擷取相依性和模式。

RNN 擅長處理自然語言功能，例如語言模型、語音辨識和情緒分析。

複雜性

每個神經網路都有各種參數，包括與神經元之間每個連線相關聯的權重和偏差。與深度學習系統相比，簡單神經網路中的參數數量相對較少。因此，簡單神經網路不太複雜，計算要求較低。

相比之下，深度學習演算法比簡單神經網路更複雜，因為它們涉及更多的節點層。例如，此類演算法可以選擇性地遺忘或保留資訊，這使得它們也可用於處理於長期的資料相依性。有些深度學習網路也使用自動編碼器。自動編碼器具有一層解碼器神經元，可以偵測異常、壓縮資料並幫助進行生成式建模。因此，大多數深度神經網路的參數數量明顯更多，並且計算要求更高。

培訓

由於其具備較少的層和連線，可以更快地訓練簡單神經網路。但是，簡單神經網路的簡單性也限制了訓練的深度。此類神經網路無法執行複雜的分析。

深度學習系統擁有更出色的能力，可學習複雜的模式和技能。使用許多不同的隱藏層，您可以建立複雜的系統並訓練它們以妥善處理複雜的任務。話雖如此，您將需要更多的資源和更大的資料集來達成此目標。

效能

前饋神經網路解決基本問題 (例如辨識簡單模式或對資訊進行分類) 時表現良好。但是，此類神經網路很難處理更複雜的任務。

另一方面，由於帶有多個隱藏的抽象層，深度學習演算法可以處理和分析龐大的資料量。此類演算法可以執行複雜的任務，例如自然語言處理 (NLP) 和語音辨識。

	深度學習系統	簡單神經網路
架構	由數個隱藏層組成，這些層針對卷積和遞歸進行排列。	神經網路由輸入層、隱藏層和輸出層組成。它們在結構上模仿人類的大腦。
複雜性	視其功能而定，深度學習網路非常複雜，並具有長短期記憶體 (LSTM) 和自動編碼器等結構。	由於只有少量幾個層，神經網路的複雜性較低。
效能	深度學習演算法可以解決大量資料中的複雜問題。	解決簡單問題時，神經網路表現良好。
培訓	訓練深度學習演算法需要投入大量資金和資源。	神經網路的簡單性意味著它的訓練成本較低。