灵闪作为一个机器学习算法平台，为测试和使用各种不同的机器学习算法提供了统一的接口，由此给用户带来了统一的使用流程和体验。用户替换其中某一个步骤的算法，不需要担心前后其他步骤中的算法是否会存在接口不兼容的问题，这大大地降低了用户做机器学习实验的时间成本，带来了极大的便利。

除了统一接口带来的优势之外，灵闪的开发者基于多年在工业领域应用机器学习技术的经验，为用户筛选出了比较常用的算法，包括但不限于传统机器学习技术中涉及的图像特征和分类器，以及深度学习技术中涉及的样本增强算法、多层神经网络模型等。这让用户得以更快速地从待选的算法中选择出合适的算法来应用于实际的场景。

灵闪机器学习模块在应对样本数量较少、检测目标的目视特征较为明显的场景时，可以更加快速地完成训练并在实际场景中得以应用。同时，灵闪机器学习算法还无需GPU加速。在很多工业视觉检测项目的落地场景中，海量标记样本的成本是用户无法接受的，更少的样本需求意味着更低的实施成本。另外，灵闪不需要GPU加速还意味着更低的硬件成本，让视觉检测应用在推广时的边际成本更低。

基于神经网络的深度学习模块相比传统机器学习模块有以下优势：

①特征提取容易。对于不同的缺陷，传统的机器学习算法往往需要选择特定的特征甚至定制特征提取算法。深度学习最大的优势是可以直接从原始数据中进行特征学习，不需要大量的先验知识来构建特征。

②算法精确度高。深度学习的精确度远远超过传统机器学习算法的精确度，尤其是在样本数据量较大且识别任务复杂度较高时。例如，在太阳能电池片缺陷检测的应用中，上万的样本数据量和超过20种要识别的缺陷使得传统机器学习算法的精度在50%以下，而深度学习可以达到90%以上。

③适用性强，易于迁移。与传统的机器学习算法相比，深度学习技术更容易适应不同的领域和应用。还是以太阳能电池片检测为例，在大样本库上训练得到的模型，可以作为类似领域的新工厂的预训练模型，减少新工厂的检测项目落地过程所需要的训练样本数，有助于在更短的时间内实现更高的性能。

④更容易从训练数据的增加中获益。传统机器学习算法在样本数量增加到一定程度之后，就无法继续以此提高识别精度。但深度学习算法不同，很多时候，通过增加网络的复杂度（比如增加层数让网络更深）和使用更多的训练数据总是可以提高识别精度，这让很多原来不可能实现的检测任务变为可能，只要用户可以接受硬件成本和收集数据所需要的人力成本。

实践思考

（1）了解深度学习网络还有哪些应用。

（2）什么情况下适合使用深度学习，什么情况下适合使用浅层学习网络？

（3）动手尝试：使用神经网络、支持向量机或其他机器学习算法进行数字识别。

（4）请在计算机上重新操作本章中提到的灵闪算法的计算过程。