1樓：Ricman
一，區別
在架構上，除了除了輸入層和輸出層之外，神經網路乙個中間層。中間層在國內很多翻譯叫隱藏層。 它其它就是乙個編碼器。
淺層神經網路的中間層數量較少，雖然有研究表明淺層神經網路可以滿足當下很多的功能與需求，但不可否認的淺層神經網路比較大，引數數量很多。
目前業界已經有乙個非常明確的結論：即與淺層神經網路相比，深層神經網路可以用更少的引數更好組裝出很多的功能。
下面這圖應該有助於你理解上面所說的內容
為什麼要發展？
在傳統的機器學習技術中，大多數功能需要由領域專家來識別，以降低資料的複雜性使演算法起到真正的作用。
深度學習演算法的最大優勢在於，它們嘗試以增量方式從資料中學習高階功能。 這消除了領域專業知識和核心特徵提取的需要。
簡而言之，就是自動學習自動優化。
這意味著什麼？意味著機器可以幫助人類做很多很多的事情。解放人類，這是人類的暢想。
2樓：linglu
個人感覺最直接的原因是面對很多複雜的現實問題，比如影象識別等，淺層神經網路不能很好地學習，學習能力和泛化能力都比較差，也就是欠擬合，而深層神經網路可以通過增加網路深度，提高學習能力，讓一些複雜問題的解決成為可能。
3樓：choco
1.原理上講，乙個兩層的神經網路(只有一層隱藏層)可以擬合任意非線性函式，但是所需要的引數隨隱藏層中神經元個數指數增長，比深而窄的網路引數更多，這個有具體的證明。
2.深層網路存在特徵的復合，網路越深，提取出特徵的語義資訊越高階，15年的時候Lecun有篇文章視覺化了不同深度下的特徵，可以找來看一下
4樓：ZachZhang
深度學習可以用更多的簡單表達，也就是隱層神經元層數來完成對抽象問題的描述。同時在廣而淺（單層神經元數量多但層數少）和深而窄（單層神經元少但層數多）相比，後者訓練和優化所需的資源更少。我目前了解到的是這些。
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...
卷積神經網路（CNN）和迴圈神經網路 RNN 有什麼區別？
不存在的1990 從字面區分 cnn 裡面的 c指 convolutional operation，是一種提取影象特徵方法。把這一operation加入到layer裡面構成了convolutional layer。rnn裡的r 指recurrent，中文是重複的意思。rnn構造的結構也是recurr...
如何看待人工神經網路ANN和脈衝神經網路SNN的發展？
十萬個為什麼 SNN起源於人類對生物神經網路的解剖，是一種機理模型 ANN是一種工程模型，架構上源於生物學基礎，但是又採用了數值優化的方法進行求解。當前的科技發展水平下，ANN更實用，可以解決很多實際問題，而SNN在功能性角度方面遠遠弱於ANN。從發展前景方面，ANN顯然不及SNN，因為生物神經網路...