机器学习的意义在于代替人工完成重复性工作，识别出统一的规则（模式）。但是对于传统的机器学习来说，特征提取的难度不小（特征可以是像素、位置、方向等）。特征的准确性将在很大程度上决定大多数机器学习算法的性能。为了使特征准确，在特征工程部分需要大量的人力来调整和改进特征。完成这一系列工作的前提是，数据集中所包含的信息量是充分的，并且易于识别。如果不满足这一前提，传统的机器学习算法将在信息的杂乱中失去其性能。深度学习的应用正是基于这个问题。它的深层神经网络使它能够在杂波中学习，自动发现与任务相关的特征（可以看作是自发学习的特征工程），并提取高级特征，从而大大减少了特征工程部分任务所花费的时间。
另一个明显的区别是他们对数据集大小的偏好。传统的机器学习在处理规则完备的小规模数据时表现出良好的性能，而深度学习则表现不好。随着数据集规模的不断扩大，深度学习的效果会逐渐显现出来，并变得越来越好。对比如下图所示。
卷积神经网络为什么最后接一个全连接层？在基本的CNN网络中，全连接层的作用是将图像特征图中的特征通过多个卷积层和池化层进行融合，得到图像特征的高层含义，然后用它进行图像分类。
在CNN网络中，完全连接层将卷积层生成的特征映射映射到具有固定长度的特征向量（通常是输入图像数据集中的图像类别数）。特征向量包含输入图像中所有特征的组合信息。该特征向量虽然丢失了图像的位置信息，但保留了图像中最具特征的特征，完成了图像分类的任务。从图像分类任务的角度来看，计算机只需确定图像的内容，计算输入图像的具体类别值（类别概率），输出最有可能的类别即可完成分类任务。
从人工智能角度来看，思维是由什么构成的?思维除了包含逻辑还有什么？思考的起源是什么？还有什么是逻辑？
要回答这个问题，我们必须首先了解我们在想什么？思维是人们思维的趋势，是大脑的反映。它属于意识形态范畴。它包括逻辑思维、立场立场、思想动力、人文环境、实现的目的和效果。人脑的思维活动是一个极其复杂的系统智能工程，它还受到时间、地点、社会环境、文化和生活条件的制约。例如，当一个人处于好的时期，他的大部分思考活动都集中在对未来的憧憬和对幸福生活的希望上。一个人在逆境中，他的思想倾向于如何克服困难，走出困境，为自己找到生存的空间。因此，思维活动不是福克斯建立的，而是与自己的社会背景有关的。对大多数人来说，平淡幸福的生活比成功更有意义。无论是在能力上还是在思想上，你都可能陷入理想与现实之间不可逾越的鸿沟。因此，正确的思想将在你的生活中起决定性的作用。
以上只是一些不成熟的个人观点，愿意与朋友分享。
