核心要点

  • 深度学习是机器学习的子集，用多层神经网络从原始数据自动学习层次化特征表示

  • 与传统 ML 最大的区别在于：传统 ML 靠人工设计特征，深度学习端到端自动学特征，省去特征工程

  • 能说出代价：深度学习通常需要更大数据量、更强算力（GPU/TPU），且可解释性更弱

  • 能举出 CNN（视觉）、RNN/Transformer（序列/语言）等代表性深度架构，并指出小表格数据上 XGBoost 等传统 ML 往往更强

简要回答

深度学习（DL） 是 机器学习（ML） 的子集：用多层（深） 神经网络 从数据自动学习层次化表示，完成分类、回归、生成等任务；

与传统 ML 对比：

维度 传统 ML（SVM、RF 等） 深度学习
特征 人工设计 端到端学习
数据需求 中小规模可工作 通常需大数据
算力 CPU 常够 GPU/TPU
可解释性 相对较好 较弱（黑盒）
适用 表格、小图像 图像、语音、NLP

核心思想：浅层学边缘纹理，深层学语义概念（层次特征）

标准回答

深度学习（DL） 是 机器学习（ML） 的子集：用多层（深） 神经网络 从数据自动学习层次化表示，完成分类、回归、生成等任务。

与传统 ML 对比：

维度 传统 ML（SVM、RF 等） 深度学习
特征 人工设计 端到端学习
数据需求 中小规模可工作 通常需大数据
算力 CPU 常够 GPU/TPU
可解释性 相对较好 较弱（黑盒）
适用 表格、小图像 图像、语音、NLP

核心思想：浅层学边缘纹理，深层学语义概念（层次特征）。代表架构：CNN、RNN、Transformer。

并非万能：小数据表格任务 XGBoost 常更强；需权衡标注成本、延迟、可解释性合规。DL 是工具箱中最强表示学习手段之一，非唯一选择。

常见误区

⚠️ 常见踩坑

说 DL 取代所有 ML；忽视特征工程在数据清洗中仍重要；把深度学习等同于「大数据」而无架构说明。

追问

追问 1：深度学习和小样本学习矛盾吗？

纯从零训练 DL 需大量数据；迁移学习、预训练+微调、数据增强、自监督可显著降低标注需求。小样本是活跃研究方向。

追问 2：表示学习和深度学习关系？

深度学习通过多层非线性变换学习数据的有用表示（embedding），下游任务用简单头即可。自编码器、对比学习也属表示学习范畴。

追问 3：何时不该用深度学习？

数据极少且无预训练、强监管需可解释、实时极低延迟小模型、表格数据无清晰空间结构——传统 ML 或规则可能更合适。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 AI 资讯

🛠️ AI 工具

  • Pytorch

    Meta 开源的深度学习框架，100K+ stars。以动态计算图和 Pythonic 风格著称，在学术界和工业界都有广泛应用，支持分布式训练、移动端部署和 ONNX 导出

  • Tensorflow

    全球最流行的机器学习框架之一，195K+ stars。Google 开源的端到端 ML 平台，支持 TensorFlow、Keras 等多种 API，覆盖深度学习、强化学习、移动端部署等全场景，是 AI 工程师的必备工具

🎯 相关面试题