很多人第一次接触这几个词,是在看教程目录或者跟人聊天的时候:机器学习、深度学习、神经网络轮番出现,好像是一回事又好像不是。这篇不讲公式,只用几个生活化的类比把三层关系摆出来,再给你一张对照表和一套自查顺序,看完能自己判断某个说法套在哪一层。
很多人第一次碰到这几个词,是在看教程目录或者跟同事聊天的时候:机器学习、深度学习、神经网络轮番冒出来,听着像一回事,又好像不是。有人把深度学习直接等同于机器学习,也有人以为神经网络就是深度学习的另一个叫法,结果越看越乱。
这篇不讲公式,也不堆术语,只用几个生活化的类比把三层关系摆出来,再给一张能自查的对照表和一套判断顺序。看完你至少能做到一件事:别人说某个说法属于哪一层,你能自己判断对不对,而不是凭感觉点头。
先记住一句话:它们是大圈套小圈的关系
最容易记住的说法是包含关系:机器学习是最外面那个大圈,深度学习是圈里的一支,神经网络又是深度学习用到的那套结构本身。三层不是并列的三种技术,而是范围一层层收窄。理清这一点,后面很多混淆都会自动消失。
- 最外层是机器学习:凡是让机器从数据里自己总结规律、而不是靠人把规则写死的做法,都算它;
- 中间层是深度学习:机器学习里专门靠多层网络结构自动学特征的那一支;
- 最内层是神经网络:深度学习用的那套计算结构本身,早期浅层网络也能算机器学习,只是不叫深度;
- 判断口诀:先问是不是从数据里学,再问有没有多层结构,最后才看具体网络长什么样。
用做菜和认脸两个类比把三层串起来
先说做菜。机器学习像是「照着菜谱反复试味道」这一类做法,核心是不断根据反馈调整;深度学习是其中「用一整套复合调味流程」的流派,工序多、层次深;神经网络就是那套流程里的锅和灶,是具体干活的家伙什。做法、流派、工具,三者不是一个层面的东西。
再说认脸。要教机器认猫,偏传统的机器学习往往需要人先告诉它「看耳朵、看胡须、看花纹」;深度学习则更倾向于把大量图片直接丢进去,让它自己去找该看什么。差别就落在「特征由谁来提」上:要人手工提的偏传统机器学习,自动提的偏深度学习。
| 层面 | 它回答的问题 | 典型信号词 |
|---|---|---|
| 机器学习 | 机器怎么从数据里学 | 决策树、聚类、特征工程 |
| 深度学习 | 怎么让机器自己学特征 | 层数、注意力、参数规模 |
| 神经网络 | 用什么结构去算 | 神经元、权重、激活 |
这张表的作用是反着用:听到某个说法时,先抓它里面的信号词,大致就能定位在说哪一层。不适用的情况也要说清——如果数据量很小,或者结果必须能被人逐条解释清楚,硬上深层结构往往不划算,这时候传统机器学习那一层反而更合适。
拿到一个说法,怎么判断它在说哪一层
判断顺序比死记定义管用。先看这句话在谈「做法」还是「结构」:谈怎么从数据里学规律,就在机器学习那层;谈网络内部怎么连、怎么算,就在神经网络那层。中间那层深度学习,通常伴随「自动学特征」「多层」这类描述。
- 看到「决策树、随机森林、聚类」这类词,多半在讲机器学习;
- 看到「层数、注意力、卷积、参数规模」这类词,多半在讲深度学习或神经网络;
- 看到「神经元、权重、激活」这类词,基本就是在讲神经网络结构本身;
- 别人把三个词混着用时,先别急着纠正,追问他指的是「做法」还是「结构」,分歧点通常一下就清楚了。
还有一种常见情况:有人在讨论某个模型好不好用,说的其实是应用层面的效果,跟这三层的划分关系不大。这种情况下别硬往层里套,先确认他在谈效果、成本还是原理,比纠正用词更重要。想核对具体模型属于哪一类,可以到站内的模型资料库页面按其说明对照,具体数字以页面当时显示为准。
入门时按什么顺序读,不容易绕晕
顺序反了是最常见的坑。很多人一上来就啃网络结构的公式,卡在数学上,反而把整体图景丢了。更稳的路线是先建立框架,再补细节,最后才钻进结构。下面这套顺序可以直接照着走。
- 第一步:先弄懂机器学习在解决什么重点搞清「从数据里学规律」和「人写死规则」的区别,能各举一个例子就算过。
- 第二步:再看深度学习为什么更好用关注它省掉了人工提特征这一步,想清楚这在哪类问题上优势明显、在哪类问题上不划算。
- 第三步:最后才补网络结构到这一步再看神经元、权重、层数这些词,就不会一上来被公式劝退。
- 第四步:拿一句话做验收能用一句话分别说清三个词,并各举一个适用场景,就算真正过关了。
遇到不懂的名词别硬扛,先去站内术语页对一遍再往下读。想了解不同模型和接口在资料上怎么归类,可以到站内的模型资料库核对分类说明,具体条目以页面当时为准。
下一步如果想把这三个词落到实际选型上,可以顺着站内资料库把常见模型按类别过一遍,看到具体条目再回头对应本文的三层关系,会更快形成自己的判断。→常见问题
神经网络和深度学习是不是完全一样的东西?
不完全一样。神经网络是结构,深度学习是用多层这种结构的做法统称。早期只有一两层的网络也叫神经网络,但一般不叫深度学习。可以理解成:神经网络是零件,深度学习是拿这些零件搭出来的建筑流派。
不会写代码,需要搞懂这三层关系吗?
看你用它做什么。只是选工具、写提示词,知道「机器学习是让机器从数据里学」这层就够。要想判断某个产品说法靠不靠谱、或者跟技术同事对齐需求,把三层关系弄清楚能省很多来回。
学了机器学习是不是就等于会深度学习了?
不是。机器学习是更大的筐,深度学习的训练方式、调参思路、算力需求和传统方法差别不小。懂传统机器学习有帮助,但深度学习那套数据量和结构的直觉还得单独练。