请别再把深度学习与机器学习混为一谈了！

虽然不属于神经网络，但是随机决策森林(RDF)对于一系列分类和回归问题也十分有用。由多个层级构成的RDF，能够输出单个树的预测统计平均值(一般为分类模式或回归平均值)。在随机方面，RDF对单个树使用引导聚合(也称为bagging)，并针对树的特性进行随机取子集。

同样不属于深度神经网络的XGBoost (eXtreme Gradient boost)，是一个可扩展的端到端树状增强系统。它在许多机器学习的挑战中都取得了先进的成果。不同于RDF，它的梯度树增强是从单个决策树或回归树开始的。通过优化，其后续的树是基于前续树的残留而构建的。

目前，业界公认最好的Python深度学习框架包括：TensorFlow、Keras、PyTorch和MXNet。Deeplearning4j是最好的Java深度学习框架之一。而ONNX和TensorRT则是用于深度学习模型的运行时(runtime)。

深度学习与机器学习的比较

一般而言，经典(非深度)机器学习算法的训练和预测速度，要比深度学习算法快得多。一到多个CPU足以训练一个经典的模型。而深度学习模型通常需要硬件加速器，如GPU、TPU或FPGA来进行训练，以及大规模的部署。如果没有它们，此类模型可能需要几个月的训练时间。

自然语言处理是深度学习的一个分支，它包括语言翻译、自动化摘要、协同参考解析、语篇分析(discourse analysis)、形态分割(morphological segmentation)、命名实体识别、自然语言生成、自然语言理解、词性标注、情感分析和语音识别等。

深度学习的另一个主要应用领域是图像分类。它包括：带定位的图像分类、目标检测、目标分割、图像风格转换、图像着色、图像重建、图像超分辨率和图像合成等。

此外，深度学习已经被成功地用于预测分子之间的相互作用，以帮助制药公司设计新药，搜索亚原子粒子，并将自动解析用于构建人脑三维显微镜图像等方面。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!