直接回答 在深度学习中，通常不需要手动特征提取，因为神经网络会自动从原始数据中学习相关特征。 传统的机器学习方法依赖于人类专家来设计特征（例如图像的边缘检测器或文本的 n 元语法），但深度学习模型（如卷积神经网络 (CNN) 或 Transformer）会接收原始输入（像素、标记），并通过训练导出分层表示。 例如，在图像上训练的 CNN 将在早期层学习边缘等低级特征，并在更深层学习对象形状等高级概念。 这种自动化简化了工作流程，特别是对于图像、音频或非结构化文本等复杂数据类型。 但是，在某些情况下，特定领域的预处理或特征工程仍然可以提高性能，尤其是在数据有限或问题具有独特约束时。
特征提取不太重要的情况 深度学习擅长于数据丰富且任务与图像分类、语音识别或自然语言处理等常见用例一致的场景。 例如，像 ResNet 或 Vision Transformers (ViT) 这样的模型通过处理原始像素数据而不进行手动特征设计，从而在 ImageNet 上实现了最先进的结果。 类似地，像 BERT 这样的语言模型处理原始文本标记以捕获语义关系。 主要优点是这些模型发现了人类难以设计的或劳动密集型的模式。 数据增强（例如，裁剪、旋转图像）通过人为地扩展训练集，进一步减少了对人工特征工程的需求。 虽然仍然应用标准化或标记化等预处理步骤，但与传统方法相比，它们是最小的，并且侧重于标准化输入格式而不是提取特定领域的特征。
例外情况和实际考虑 尽管有自动化，但在某些情况下，特征提取仍然有用。 对于小型数据集，手动设计的特征可以弥补有限的训练数据。 例如，在标记样本稀缺的医学成像中，将 CNN 与预先计算的特征（如纹理指标或梯度直方图 (HOG)）相结合可能会提高鲁棒性。 类似地，在时间序列预测中，领域特定的特征（滚动平均值、傅里叶变换）可以在将其馈送到循环神经网络 (RNN) 之前增强原始传感器数据。 此外，某些任务需要可解释性：欺诈检测系统可能会将来自神经网络的学习特征与手动定义的规则结合起来以进行可审计性。 即使在深度学习管道中，低级预处理（例如，将音频转换为语音模型的光谱图）也是一种特征提取形式。 因此，虽然深度学习最大限度地减少了手动工作，但从业者仍然需要在自动化与领域知识之间取得平衡，以优化性能。