深度学习算法本质上是做大量的矩阵乘法运算，德州仪器TI深度学习是机器学习的子集

从概念上来看，即使深度学习是机器学习的子集，但两者却有着明显的区别。其中最核心的区别是，德州仪器TI神经网络可以在没有人类干预的情况下自主学习和改进。它直接从通常以亿为单位的数量级的数据中学习特性，使其更适合大型数据集和复杂的、形而上的逻辑学习。然而，在传统的机器学习中，特性和规则是人类手动输入给计算机的，它只能适合偏低级别的数据量学习，机器学习与深度学习在不同的处理数据量级中的表现传统的机器学习算法，追求的是利用机器模仿人类的思考逻辑，所以在低数据量和低维度的情况下占据了优势，可以说还尚未脱离人类智力逻辑思考的极限。可以形象地理解为，在计算机处于智力发育早期尚有它的“父母”人类帮助的情况下，它对世界的理解很多是需要“父母”的知识灌输。这一阶段是可以应对一些家门口街坊邻居的简单的问题。而深度学习就类似具有哲学大师潜质的天才少年，他并不能在家门口面对家长里短的问题时施展出类拔萃的潜质。而随着数据处理规模和维度的增加，德州仪器TI深度学习的自学能力便得到充分地发挥，在更广阔的天地里得到了长足的施展。但这样的比喻也预示着，深度学习需要艰苦的大量的预训练的。这也导致了传统的机器学习可以在低端机器上运行，而深度学习算法则在很大程度上依赖于 GPU，因为深度学习算法本质上是做大量的矩阵乘法运算，而使用 GPU 可以有效地优化这些运算过程，另一个最大的区别是，可解释性。深度学习最优秀的地方就是它的表现往往超出了人类的期盼，但人类却只清楚它的大体组成结构和学习过程，而不知道他如此优秀的具体一条一条的演算过程是什么，下面两段内容可以很好地解释这个“可解释性”的问题，深度学习的核心是人工神经网络，虽然我们知道每一个人工神经元与人脑中的神经元可以一一对应，甚至可以用公式和数值去描述来解释运算逻辑。但我们仍然无法知道大脑中几百上千亿个神经元组成的超级复杂的数以万亿级的神经网络中具体的电信号是怎样一条一条传播的，从而导致大脑能看懂眼前的物体是一只猫或是一只狗。但我们却知道一个儿童之所以能分辨一只猫和一只狗是因为曾经被父母训练过。