深度学习用多层堆叠的神经网络逐层提取特征，从图像、语音和传感器数据中学习复杂模式。它省去了人工设计特征的环节，代价是数据量、算力和推理延迟都显著上升。
深度学习是机器学习的一个分支，特点在于网络的层数。浅层网络需要人先把原始数据加工成有意义的特征，深层网络则通过逐层堆叠自己完成这一步：前几层学边缘和纹理，中间层学局部结构，深层组合出完整的语义概念。这正是它在图像和语音任务上取代传统方法的原因。
代价也很明确。层数增加意味着参数量增加，训练需要的样本量随之上升到数万甚至数十万级别。训练阶段依赖 GPU，推理阶段则要在机器人有限的算力预算内跑起来。一个在服务器上 20 毫秒完成的推理，放到嵌入式平台可能变成 200 毫秒，直接卡死控制周期。
因此边缘部署几乎总要做模型压缩：量化到 INT8、剪枝、蒸馏成小模型。压缩会损失一定精度，需要在部署前用真实数据重新评估，不能拿论文里的指标当验收标准。
工业场景很少从零训练。更常见的做法是拿在大规模数据集上预训练好的网络做微调，样本需求从数万降到数百至数千量级。这也让小批量、多品种的检测任务变得可行。
某风机运维团队用深度学习分析叶片图像识别裂纹。模型在实验室 GPU 上表现优异，但装到巡检无人机的嵌入式模块上后帧率只有 3 fps，无法配合飞行速度。团队把主干网络换成轻量结构并做 INT8 量化，帧率提到 15 fps，检出率下降约 4 个百分点，最终按可接受的漏检率通过验收。
判断一个深度学习方案能否落地，看两个数字就够了：目标硬件上的实际推理延迟，以及压缩后在真实数据上的精度，而不是任何在服务器上跑出来的结果。
实践应用
某风机运维团队用深度学习分析叶片图像识别裂纹。模型在实验室 GPU 上表现优异，装到巡检无人机的嵌入式模块后帧率只有 3 fps，跟不上飞行速度。团队更换轻量主干网络并做 INT8 量化，帧率提升到 15 fps，检出率下降约 4 个百分点，按可接受的漏检率通过验收。
优势
- 自动学习特征，省去人工设计特征的环节
- 在图像、语音等高维数据上精度明显优于传统方法
- 同一套网络结构可通过微调迁移到相近任务
- 预训练模型降低了小样本场景的启动门槛
局限性
- 所需样本量通常是数万到数十万级别
- 推理延迟在嵌入式平台上可能是服务器的十倍，直接卡死控制周期
- 边缘部署必须做量化或剪枝，精度会随之损失
- 网络层数越深，出错时越难追溯到具体原因
典型应用领域
常见问题
- 深度学习和一般机器学习的区别在哪？
- 区别在网络层数。浅层方法需要人先把原始数据加工成特征，深层网络通过逐层堆叠自己完成特征提取：前几层学边缘纹理，深层组合出语义概念。
- 深度学习需要多少数据？
- 从零训练通常需要数万到数十万样本。使用预训练模型做微调可以把需求降到数百到数千量级，这是小样本工业场景的常规做法。
- 为什么深度学习模型在机器人上要做压缩？
- 嵌入式平台算力有限，服务器上 20 毫秒完成的推理可能变成 200 毫秒，无法配合控制周期。量化、剪枝和蒸馏是把延迟降下来的常用手段。
- 验收深度学习方案时该看什么指标？
- 目标硬件上的实际推理延迟，以及压缩后在真实现场数据上的精度。服务器环境和论文数据集上的结果不能作为验收依据。