1.學(xué)習(xí)方法不同

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)采用頻率學(xué)派的觀點，即通過最小化損失函數(shù)來優(yōu)化模型參數(shù)。而貝葉斯深度學(xué)習(xí)則基于貝葉斯理論，將模型參數(shù)視為隨機變量，通過計算后驗概率來更新模型參數(shù)。

2.不確定性處理不同

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)通常無法直接量化模型的不確定性。而貝葉斯深度學(xué)習(xí)則可以量化模型的不確定性，例如通過后驗概率的標(biāo)準(zhǔn)差來表示預(yù)測結(jié)果的不確定性。

3.過擬合防控不同

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)主要通過正則化技術(shù)（如L1、L2正則化、Dropout等）來防止過擬合。而貝葉斯深度學(xué)習(xí)則通過引入模型復(fù)雜度的先驗知識，利用貝葉斯理論的邊緣化效應(yīng)自然地實現(xiàn)了過擬合的防控。

4.預(yù)測結(jié)果解釋性不同

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果通常難以解釋。而貝葉斯深度學(xué)習(xí)的預(yù)測結(jié)果可以給出后驗概率分布，從而提供了預(yù)測結(jié)果的不確定性，提高了預(yù)測結(jié)果的解釋性。

5.計算復(fù)雜性不同

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練通常需要進行大量的反向傳播計算，而貝葉斯深度學(xué)習(xí)由于需要計算后驗概率，其計算復(fù)雜性通常更高。

延伸閱讀

貝葉斯神經(jīng)網(wǎng)絡(luò)和MC Dropout

貝葉斯神經(jīng)網(wǎng)絡(luò)是一種具有貝葉斯屬性的神經(jīng)網(wǎng)絡(luò)。相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，貝葉斯神經(jīng)網(wǎng)絡(luò)可以對模型的不確定性進行量化。MC Dropout是一種簡單有效的方法，可以使傳統(tǒng)神經(jīng)網(wǎng)絡(luò)具有類似貝葉斯神經(jīng)網(wǎng)絡(luò)的屬性，即可以量化預(yù)測的不確定性。這使得我們在使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的同時，還能得到模型不確定性的估計。