澎思科技资深算法研究员罗伯特：有限算力资源下的深度学习与人脸识别( 四 )_：澎思科技资深算法研究员罗伯特：有限

传统方法有一些不太理想的地方：特征提取和参数训练的两个步骤是拆开的。更优的方案是联合优化特征提取和参数训练。另外，预测任务的变化引起特征提取方法的改动。例如，对肿瘤检测文理特征判别能力好于边缘特征。为了达到不错的预测效果，每个领域需要有经验的专家琢磨出好的手动特征提取方法。深度学习克服了这些难题。

接下来我们看一下，深度学习放弃手动特征提取而采用自动特征提取，如图所示：

上图有10个特征层，每一层的参数是自动学习的，不涉及到手动干预。因深度学习的特征提取是自动、智能的，所以深度学习属于人工智能的领域。

我们还需要知道的一点是，与传统算法相比，深度学习有一定的优势。在包含1000类的IMAGENET数据库中，基于几层深度学习的分类错误率为25%。将层数提高到19，错误率降低到7%，22层的错误率为6%，如果是非常深的深度学习模型（152层），错误率才3%，而人类的错误率也有5%。这说明在特定情况下，深度学习的识别率高于人类的识别率，这就引起了各行业都想将深度学习的思路融入到他们的领域里，人脸识别也不例外。