机器视觉包括深度学习框架嘛

1. 机器视觉包括深度学习框架嘛

机器视觉不包括深度学习框架。机器视觉只包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、 I/O卡等)。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。

深度学习在机器视觉中的应用与发展
在短短几年内，深度学习软件已经比任何传统算法可以更好地对图像进行分类处理，而且可能很快就可以超越人工检查。
近年来，宠物食品制造商已经使用机器视觉软件来验证狗和猫的食品包装上是否存在独特的字符、代码、颜色和图形。然而，现在这些公司可以通过使用深度学习视觉软件验证包装上是否存在狗或猫图像来补充这一过程。

2. 深度学习和机器学习有什么不同

　　深度学习和机器学习的区别是，深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
　　同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
　　
　　深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
　　深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
　　机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
　　它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
　　学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。
　　比如，Langley（1996) 定义的机器学习是“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。（Machine learning is a science of the artificial. The field's main objects of study are artifacts, specifically algorithms that improve their performance with experience.'）
　　Tom Mitchell的机器学习(1997)对信息论中的一些概念有详细的解释,其中定义机器学习时提到，“机器学习是对能通过经验自动改进的计算机算法的研究”。（Machine Learning is the study of computer algorithms that improve automatically through experience.）
　　Alpaydin（2004）同时提出自己对机器学习的定义，“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”（Machine learning is programming computers to optimize a performance criterion using example data or past experience.）
　　尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机，电子计算机，中子计算机、光子计算机或神经计算机等等。
　　机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。
　　机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。
　　机器学习有下面几种定义： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。” 一种经常引用的英文定义是：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
　　机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

3. 机器学习和深度学习的区别

简单来说，机器学习是实现人工智能的方法，深度学习是实现机器学习的技术。机器学习在实现人工智能时中需要人工辅助（半自动），而深度学习使该过程完全自动化
三者关系：

 举个例子：通过机器学习算法来识别水果是橘子还是苹果，需要人工输入水果的特征数据，生成一定的算法模型，进而可以准确预测具有这些特征的水果的类型，而深度学习则能自动的去发现特征进而判断。

4. 深度学习和机器学习到底是什么？

简单来说，机器学习是实现人工智能的方法，深度学习是实现机器学习的技术。机器学习在实现人工智能时中需要人工辅助（半自动），而深度学习使该过程完全自动化
三者关系：

举个例子：通过机器学习算法来识别水果是橘子还是苹果，需要人工输入水果的特征数据，生成一定的算法模型，进而可以准确预测具有这些特征的水果的类型，而深度学习则能自动的去发现特征进而判断。

5. 为什么说深度学习和机器学习截然不同

深度学习是机器学习的一个分支。
为什么说公交车和交通工具截然不同，因为公交车是交通工具的一种。
包含与被包含的关系，当然截然不同。

现在不少人对人工智能（Artificial Intelligence，简称 AI），机器学习（Machine Learning，简称 ML）和深度学习（Deep Learning，简称 DL）概念不清，有很多困惑。作为智能领域的从业者，必须非常清楚AI，ML和DL之间的区别。 

人工智能(AI)是一个总括合集概念，涵盖从最早的逻辑结构的有效老式人工智能 (Good Old-Fashioned Artificial Intelligence，简称GOFAI)，到最新的联结结构的深度学习(DL)。 

机器学习(ML)是 人工智能(AI)的子集，涵盖一切有关数据训练的学习算法研究，包括多年来发展的一整套成熟技术，比如： 
•线性回归（Linear Regression，数理统计中回归分析方法）； 
•K均值（K-means，基于原型的目标函数聚类方法）； 
•决策树（Decision Trees，直观运用概率分析的一种图解法）； 
•随机森林（Random Forest，包含多个决策树的分类器）； 
•PCA（Principal Component Analysis，主成分分析，一种多变量分析方法）； 
•SVM（Support Vector Machine，支持向量机，一种监督式学习的方法）； 
•ANN（Artificial Neural Networks，人工神经网络，一种运算模型）。 

深度学习(DL)则起源于人工神经网络(ANN)。 

人工神经网络(ANN)是60年代早期发明的技术，一些机器学习(ML)从业者曾接触过，他们对深度学习(DL)的第一印象可能是：这不过是多层结构的人工神经网络(ANN)而已。此外，深度学习(DL)的成功主要是基于大量可用的数据以及更强大的计算引擎比如 GPU（Graphic Processing Units）的出现。这当然是真的，深度学习(DL)的出现基本上是受益于大数据及计算能力的发展，然而，由此得出深度学习(DL)只是一个比支持向量机(SVM)或决策树更好的算法的结论，类似于只见树木，不见森林。 

套用 Andreesen 的话“软件正在接管世界”，那么“深度学习(DL)正在接管机器学习(ML)”。两篇来自不同机器学习领域从业者的文章很好的解释了为什么深度学习正在接管世界。 

人工智能的自然语言处理(NLP)专家 Chris Manning 这样形容“深度学习海啸”： 

「 深度学习的浪潮几年前就在计算语言学领域兴起，2015年则是这场海啸全面冲击各大自然语言处理(NLP)会议的一年，一些权威专家预测，最终的冲击将会更大。」 

Nicholas Paragios 则写了一篇名为“深度失落——计算机视觉研究”的文章： 

「 如此失落是因为，深度学习具有高度复杂性和广泛的自由度特性，一旦被赋予大量被标记的数据以及不可想象（直到最近出现）的计算能力，就能解决所有的计算机视觉问题。如果是这样的话，那么深度学习接管业界（似乎既成事实），计算机视觉研究成为边缘学科并走上计算机图形的老路（学术研究的活跃度和数量）将只是时间问题。」 

这两篇文章都强调了深度学习(DL)如何自根本上对传统机器学习(ML)的颠覆。当然，深度学习(DL)在商用领域也带来同样的颠覆。但是让人震惊和困惑的是，即使 Gartner 也没能分清机器学习(ML)和深度学习(DL)之间的差别。这是 Gartner 于 2016 年 8 月份发布的行业发展周期图（Hyper Cycle），深度学习甚至没有被提及： 

这很糟糕，会造成一些客户对机器学习(ML)的短视，并对深度学习(DL)视而不见。 

尽管被 Gartner 忽视了，深度学习(DL)依然持续受追捧。当前对深度学习的追捧主要是：我们已经拥有了可以商业化的机器，只要给予足够多的数据和足够长的训练时间，机器就能够自主学习。这要么是对深度学习(DL)现有技术能力的夸大，要么就是对深度学习(DL)的实践过度简化。 
......

6. 为什么说深度学习和机器学习截然不同

深度学习是机器学习的一个分支。
为什么说公交车和交通工具截然不同，因为公交车是交通工具的一种。
包含与被包含的关系，当然截然不同。

现在不少人对人工智能（Artificial Intelligence，简称 AI），机器学习（Machine Learning，简称 ML）和深度学习（Deep Learning，简称 DL）概念不清，有很多困惑。作为智能领域的从业者，必须非常清楚AI，ML和DL之间的区别。 

人工智能(AI)是一个总括合集概念，涵盖从最早的逻辑结构的有效老式人工智能 (Good Old-Fashioned Artificial Intelligence，简称GOFAI)，到最新的联结结构的深度学习(DL)。 

机器学习(ML)是 人工智能(AI)的子集，涵盖一切有关数据训练的学习算法研究，包括多年来发展的一整套成熟技术，比如： 
•线性回归（Linear Regression，数理统计中回归分析方法）； 
•K均值（K-means，基于原型的目标函数聚类方法）； 
•决策树（Decision Trees，直观运用概率分析的一种图解法）； 
•随机森林（Random Forest，包含多个决策树的分类器）； 
•PCA（Principal Component Analysis，主成分分析，一种多变量分析方法）； 
•SVM（Support Vector Machine，支持向量机，一种监督式学习的方法）； 
•ANN（Artificial Neural Networks，人工神经网络，一种运算模型）。 

深度学习(DL)则起源于人工神经网络(ANN)。 

人工神经网络(ANN)是60年代早期发明的技术，一些机器学习(ML)从业者曾接触过，他们对深度学习(DL)的第一印象可能是：这不过是多层结构的人工神经网络(ANN)而已。此外，深度学习(DL)的成功主要是基于大量可用的数据以及更强大的计算引擎比如 GPU（Graphic Processing Units）的出现。这当然是真的，深度学习(DL)的出现基本上是受益于大数据及计算能力的发展，然而，由此得出深度学习(DL)只是一个比支持向量机(SVM)或决策树更好的算法的结论，类似于只见树木，不见森林。 

套用 Andreesen 的话“软件正在接管世界”，那么“深度学习(DL)正在接管机器学习(ML)”。两篇来自不同机器学习领域从业者的文章很好的解释了为什么深度学习正在接管世界。 

人工智能的自然语言处理(NLP)专家 Chris Manning 这样形容“深度学习海啸”： 

「 深度学习的浪潮几年前就在计算语言学领域兴起，2015年则是这场海啸全面冲击各大自然语言处理(NLP)会议的一年，一些权威专家预测，最终的冲击将会更大。」 

Nicholas Paragios 则写了一篇名为“深度失落——计算机视觉研究”的文章： 

「 如此失落是因为，深度学习具有高度复杂性和广泛的自由度特性，一旦被赋予大量被标记的数据以及不可想象（直到最近出现）的计算能力，就能解决所有的计算机视觉问题。如果是这样的话，那么深度学习接管业界（似乎既成事实），计算机视觉研究成为边缘学科并走上计算机图形的老路（学术研究的活跃度和数量）将只是时间问题。」 

这两篇文章都强调了深度学习(DL)如何自根本上对传统机器学习(ML)的颠覆。当然，深度学习(DL)在商用领域也带来同样的颠覆。但是让人震惊和困惑的是，即使 Gartner 也没能分清机器学习(ML)和深度学习(DL)之间的差别。这是 Gartner 于 2016 年 8 月份发布的行业发展周期图（Hyper Cycle），深度学习甚至没有被提及： 

这很糟糕，会造成一些客户对机器学习(ML)的短视，并对深度学习(DL)视而不见。 

尽管被 Gartner 忽视了，深度学习(DL)依然持续受追捧。当前对深度学习的追捧主要是：我们已经拥有了可以商业化的机器，只要给予足够多的数据和足够长的训练时间，机器就能够自主学习。这要么是对深度学习(DL)现有技术能力的夸大，要么就是对深度学习(DL)的实践过度简化。

7. 机器学习和深度学习的区别

现在有很多人对机器学习和深度学习的概念并不是很明白，其实深度学习是机器学习中的一部分，而机器学习是深度学习的基础，这两个知识体系都是服务于人工智能的。
通常我们用机器算法来解析数据，学习数据，并从中做出理智的判定。根本上讲，深度学习用于创建可自我学习和可理智判定的人工“神经网络”。我们可以说深度学习是机器学习的子领域。而机器学习与深度学习对比具体体现在四方面：
第一是数据依赖。一般来说，性能是区别二者的最主要之处。当数据量小时，深度学习算法表现不佳。这就是深度学习算法需要大量的数据才能完美理解的唯一原因。
第二是硬件依赖通常，深度学习依赖于高端设备，而传统学习依赖于低端设备。因此，深度学习要求包含GPU，这是它工作中不可或缺的一部分。它们还需要进行大量的矩阵乘法运算。
第三是功能工程化，在此，领域知识被用于创建特征提取器，以降低数据的复杂性，并使模式对学习算法的工作原理上更可见，虽然处理起来非常困难。 因此，这是耗时并需要专业知识的。
第四是解决问题的方法，一般来说，我们使用传统算法来解决问题。但它需要将问题分解为不同的部分以单独解决它们。要获得结果，请将它们全部合并起来。

8. 什么是深度学习和机器学习

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
机器学习直接来源于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。众所周知，我们还没有实现强人工智能。早期机器学习方法甚至都无法实现弱人工智能。
机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别物体从哪里开始，到哪里结束；写形状检测程序来判断检测对象是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发算法来感知图像，判断图像是不是一个停止标志牌。