深度学习是机器学习的一个子领域，它通过构建和训练多层神经网络来解决复杂的模式识别和预测问题。深度学习模型通常包含多个隐藏层，这些隐藏层能够自动从原始数据中提取高层次的特征，从而实现对复杂任务的高效处理。

深度学习与传统机器学习的区别

1. 模型结构：

   • 传统机器学习：通常使用简单的模型结构，如线性回归、决策树、支持向量机（SVM）等。这些模型通常只有一个或几个隐藏层。
   • 深度学习：使用多层神经网络，层数可以达到几十甚至上百层。这种深层次的结构使得模型能够学习到更复杂的特征表示。

2. 特征工程：

   • 传统机器学习：需要人工进行特征选择和特征工程，即手动选择和设计输入特征。这一步骤通常需要领域知识和经验。
   • 深度学习：能够自动从原始数据中学习和提取特征，减少了对人工特征工程的依赖。例如，卷积神经网络（CNN）可以从图像中自动提取边缘、纹理等特征。

3. 数据需求：

   • 传统机器学习：通常需要较少的数据量，可以通过少量的标注数据进行有效的训练。
   • 深度学习：需要大量的标注数据来训练复杂的模型。更多的数据有助于模型学习到更丰富的特征表示，提高泛化能力。

4. 计算资源：

   • 传统机器学习：通常在普通的计算资源上就能运行，如个人电脑或服务器。
   • 深度学习：需要强大的计算资源，尤其是 GPU 和 TPU 等加速器，以处理大规模的矩阵运算和梯度下降过程。

5. 应用场景：

   • 传统机器学习：适用于各种任务，如分类、回归、聚类等。在一些简单或中等复杂度的任务中表现良好。
   • 深度学习：特别适用于处理高维、非结构化数据，如图像、语音、文本等。在计算机视觉、自然语言处理、语音识别等领域取得了显著的成果。

示例代码（Python，使用 TensorFlow 构建一个简单的深度学习模型）

import tensorflow as tf
from tensorflow.keras import layers, models

# 构建一个简单的卷积神经网络（CNN）
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 数据预处理
x_train = x_train.reshape((60000, 28, 28, 1)).astype('float32') / 255
x_test = x_test.reshape((10000, 28, 28, 1)).astype('float32') / 255

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=64, validation_data=(x_test, y_test))

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'Test accuracy: {test_acc}')