一.深度学习介绍

1.深度学习与机器学习的区别

（1）特征提取方面

• 机器学习

机器学习的特征工程要靠手动完成，而且需要大量领域专业知识。

• 深度学习

通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。

（2）数据量

• 机器学习

参数较少，执行时间短

• 深度学习

参数庞大，执行时间长，需要通过大量数据的多次优化来训练参数

第一、它们需要大量的训练数据集

第二、是训练深度神经网络需要大量的算力

可能要花费数天、甚至数周的时间，才能使用数百万张图像的数据集训练出一个深度网络。所以

需要强大的GPU服务器来进行计算

全面管理的分布式训练与预测服务——比如谷歌 TensorFlow 云机器学习平台,可能会解决这些问题

2.各自的算法代表

• 机器学习

朴素贝叶斯、决策树

• 深度学习

神经网络

3.应用场景

• 图像识别领域：包括物体识别、场景识别、车型识别、人脸检测跟踪、人脸关键点定位、人脸身份认证等

• 自然语言处理：机器翻译、文本识别、聊天对话等

• 语音技术:语音识别

二.计算机视觉介绍

1.常见任务

计算机视觉基于大量不同任务，并组合在一起实现高度复杂的应用。计算机视觉中最常见的任务是图像和视频识别，涉及确定图像包含的不同对象。

四大主要任务：

• 图像分类

计算机视觉中最知名的任务可能就是图像分类了，它对给定图像进行分类

• 目标检测

目标检测通常是从图像中输出单个目标的Bounding Box（边框）以及标签

• 目标分割

我们可以把实例分割看作是目标检测的下一步。它不仅涉及从图像中找出对象，还需要为检测到的每个对象创建一个尽可能准确的掩码。

• 目标追踪

目标追踪旨在追踪随着时间不断移动的对象，它使用连续视频帧作为输入

2.应用场景

人脸、辅助驾驶、图片检测等