---
title: 深度学习与机器学习的区别？
date: 2026-02-11 12:18:48
categories:
- AI
- AI agent概念&术语
tags:
- 机器学习
- 深度学习
---
“深度学习”和“机器学习”经常被一起提到，它们确实有关系，但也有明显区别。我们可以用一个盖房子的比喻来轻松理解。
🏗️ 比喻：盖房子
- 机器学习（Machine Learning）就像是盖房子的总称。
它包括各种方法：用木头搭、用砖砌、用预制板组装……只要能让房子立起来就行。 - 深度学习（Deep Learning）是机器学习里的一种特别高级的方法，相当于用钢筋混凝土+智能模块来盖摩天大楼。
它是机器学习的一个子集，但能力更强、结构更复杂。
✅ 所以：深度学习 ⊂ 机器学习（深度学习是机器学习的一部分）
🔍 核心区别对比表：
|
特点
|
机器学习（ML）
|
深度学习（DL）
|
|---|---|---|
|
模型结构
|
通常较简单，比如决策树、支持向量机、线性回归等
|
使用深层神经网络（很多层的“神经元”堆叠）
|
|
特征工程
|
需要人工提取特征（比如告诉AI：“图片的边缘很重要”）
|
自动学习特征！从原始数据（如像素）自己找出有用的信息
|
|
数据需求
|
中小规模数据就能训练
|
需要大量数据（成千上万甚至百万级样本）
|
|
计算资源
|
普通电脑就能跑
|
通常需要GPU（显卡）加速
|
|
适用场景
|
结构化数据（如表格、Excel）、简单分类
|
图像、语音、自然语言、视频等非结构化数据
|
🌰 举个例子：识别猫的照片
- 传统机器学习做法：
- 工程师先写代码，用算法手动提取特征：比如“找胡须”、“找尖耳朵”、“找瞳孔形状”。
- 把这些特征输入到一个分类器（比如SVM）中，让它判断是不是猫。 → 人教AI看什么。
- 深度学习做法：
- 直接把成千上万张带标签的猫/非猫图片喂给一个深度神经网络（比如CNN）。
- 网络自己从像素中一层层学出：第一层认边缘，第二层认纹理，第三层认眼睛/耳