一、AI、ML、DL基本关系 

机器学习是实现人工智能的途径，深度学习是机器学习的一种方法。

人工智能 (AI)
    ↓
机器学习 (ML) —— 让机器从数据中学习规律
    ↓
深度学习 (DL) —— 使用深层神经网络的机器学习方法

        

二、深度学习与机器学习

概念

        深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行特征学习的算法。 这个名字中的“深度”（Deep）来源于其核心模型——神经网络的层数（深度）——用来自动提取特征。

        深度学习就是用来解决特征抽取困难这一类问题的。有一些数据在机器学习中不方便进行特征提取，如文本数据、图像数据、音频数据。与传统机器学习算法不同，深度学习能够自动从原始数据中学习到有用的特征，而不需要人工特征工程，而是依赖算法自动提取特征。

        

对比维度	机器学习	深度学习
模型结构	浅层模型（如线性回归、SVM、决策树、随机森林）	深层神经网络（如CNN、RNN、Transformer）
特征工程	需要人工设计和提取特征（如SIFT、HOG、TF-IDF）	自动从数据中学习特征（端到端学习）
数据需求	可在小到中等规模数据上表现良好	通常需要大量标注数据才能发挥优势
计算资源	CPU 通常足够	依赖 GPU/TPU 进行高效训练
训练时间	相对较短	训练时间较长（尤其是大模型）
可解释性	模型相对简单，可解释性强（如决策树规则清晰）	“黑箱”模型，可解释性差
应用场景	结构化数据（表格）、小样本问题	非结构化数据（图像、语音、文本）、大数据场景

优缺点

#1.优点
自动提取特征
精度高，性能优于其他机器学习算法，某些领域甚至超越了人类
可以拟合任意非线性关系
框架多，不需我们自己造轮子

#2.缺点
黑箱，可解释性差
网络结构复杂，参数多，超参数也多
训练时间长，对算力有较高要求
小数据集上表现不佳，容易过拟合

三、深度学习框架

框架：是一个为解决特定问题而设计的“半成品”软件结构，它提供了一套规范、工具和基础代码，帮助开发者更高效地构建应用程序

框架	开发者	语言	特点	适用场景
PyTorch	Meta (Facebook)	Python	动态图、易调试、研究首选	学术研究、大模型、快速实验
TensorFlow	Google	Python, JS, C++	静态图（早期）、部署强	工业级部署、移动端、Web
Keras	Google	Python	高级API、简洁易用	初学者、快速原型开发
JAX	Google	Python	函数式编程、高性能	科研、科学计算、前沿模型
PaddlePaddle (飞桨)	百度	Python	国产、中文支持好	国内项目、产业应用
MindSpore	华为	Python	全场景、国产自主	政企项目、昇腾芯片适配