1.学习方法不同

传统神经网络采用频率学派的观点，即通过最小化损失函数来优化模型参数。而贝叶斯深度学习则基于贝叶斯理论，将模型参数视为随机变量，通过计算后验概率来更新模型参数。

2.不确定性处理不同

传统神经网络通常无法直接量化模型的不确定性。而贝叶斯深度学习则可以量化模型的不确定性，例如通过后验概率的标准差来表示预测结果的不确定性。

3.过拟合防控不同

传统神经网络主要通过正则化技术（如L1、L2正则化、Dropout等）来防止过拟合。而贝叶斯深度学习则通过引入模型复杂度的先验知识，利用贝叶斯理论的边缘化效应自然地实现了过拟合的防控。

4.预测结果解释性不同

传统神经网络的预测结果通常难以解释。而贝叶斯深度学习的预测结果可以给出后验概率分布，从而提供了预测结果的不确定性，提高了预测结果的解释性。

5.计算复杂性不同

传统神经网络的训练通常需要进行大量的反向传播计算，而贝叶斯深度学习由于需要计算后验概率，其计算复杂性通常更高。

延伸阅读

贝叶斯神经网络和MC Dropout

贝叶斯神经网络是一种具有贝叶斯属性的神经网络。相比于传统神经网络，贝叶斯神经网络可以对模型的不确定性进行量化。MC Dropout是一种简单有效的方法，可以使传统神经网络具有类似贝叶斯神经网络的属性，即可以量化预测的不确定性。这使得我们在使用传统神经网络的同时，还能得到模型不确定性的估计。