神经网络的应用领域

1.图像和物体识别
机器在图像和物体识别方面有良好的记录。GeoffHinton发明的胶囊网络几乎降低了之前的最佳错误率，这次测试对软件识别玩具提出了挑战。即使视图不同于先前分析的视图，在各种扫描中使用增加量的这些胶囊允许系统更好地识别对象。

另一个例子来自一个最先进的网络，它通过标记图像数据库进行训练，可以比同样任务训练100个小时的医生更好地对物体进行分类。

2.视频游戏

谷歌的DeepMind使用深度学习技术，称为深度强化学习。研究人员用这种方法教电脑玩雅达利游戏Breakout。计算机没有被教导或编程以任何特定的方式玩游戏。而是在看比分的时候赋予了它对键盘的控制权，它的目标是最大化比分。玩了两个小时，电脑成了游戏专家。

深度学习社区正在举办一场比赛，训练计算机在你能想到的几乎所有游戏中击败人类，包括Tai 空入侵者、Doom、乒乓球和魔兽世界。在大多数这些游戏中，深度学习网络的表现超过了有经验的玩家。电脑的程序不是用来玩游戏的；他们只是通过玩来学习。

3.语音生成和识别

谷歌发布了WaveNet，百度发布了DeepSpeech。两者都是自动生成语音的深度学习网络。学会靠系统本身模仿人的声音，日积月累提高。区分他们的言论和真人比你想象的难多了。

牛津大学和GoogleDeepMind科学家LipNet创建的一个深度网络在阅读人的嘴唇方面取得了93%的成功，而普通的人类唇语阅读器只有52%的成功率。华盛顿大学的一个小组使用唇形同步创建了一个将合成音频设置为现有视频的系统。

4.艺术和风格的模仿

神经网络可以研究特定艺术品阴影中的笔画、颜色和图案。在此基础上，可以将原有的风格转化为新的形象。

DeepArt.io就是一个例子。该公司创建的应用程序使用深度学习来学习数百种不同的风格，这些风格可以应用于照片。艺术家和程序员GeneKogan也根据从埃及象形文字中学到的算法样式，应用了样式转换来修改蒙娜丽莎。

5.预报

斯坦福大学研究员蒂姆·尼特& middot博客拿走了谷歌街景的5000万张图片，以探索深度学习网络能做什么。计算机已经学会定位和识别汽车。它检测了超过2200万辆汽车，包括它们的制造商、型号、型号和年份。该系统应用的一个例子包括选民路线的开始和停止的标志。据分析，& ldquo如果15分钟车程内遇到的汽车数量超过皮卡车数量，该市很可能在下届总统选举期间投票给民主党人(88%的概率)。