神经网络的应用领域

硬件型号：联想V14

系统版本：Windows10

神经网络应用场景：

1、图像和物体识别
机器在图像和物体识别方面有很好的记录。GeoffHinton发明的胶囊网络几乎减少了以前的最佳错误率，这个测试挑战软件识别玩具。即使视图与之前分析的视图不同，在各种扫描中使用增加量的这些胶囊也允许系统更好地识别物体。

另一个例子来自一个最先进的网络，该网络经过标记图像数据库的训练，能够比相同任务训练100小时的博士更好地分类对象。

2、电子游戏

Google的DeepMind使用深度学习技术，被称为深度强化学习。研究人员用这种方法教计算机玩Atari游戏Breakout。电脑没有以任何特定的方式教授或编程玩游戏。相反，它在观看比分时被赋予了键盘的控制权，其目标是最大化得分。玩了两个小时后，电脑成了游戏的专家。

深度学习社区正在进行一场比赛，训练计算机在几乎所有你能想到的游戏中击败人类，包括太空侵略者，毁灭战士，乒乓球和魔兽世界。在大多数这些游戏中，深度学习网络已经胜过有经验的玩家。电脑没有编程玩游戏;他们只是通过玩耍学习。

3、语音生成和识别

Google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。系统学会自己模仿人类的声音，并随着时间的推移而改善。将他们的言论与真实的人物区别开来，这要比想像中难得多。

由牛津大学和GoogleDeepMind科学家LipNet创建的一个深度网络，在阅读人们的嘴唇方面达到了93％的成功，普通的人类嘴唇阅读器只有52％的成功率。华盛顿大学的一个小组使用唇形同步来创建一个系统，将合成音频设置为现有视频。

4、艺术和风格的模仿

神经网络可以研究特定艺术品的笔画，颜色和阴影中的图案。在此基础上，可以将原作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，可以将其应用于照片。艺术家和程序员GeneKogan还根据从埃及象形文字中学到的算法样式，应用风格转换来修改蒙娜丽莎。

5、预测

斯坦福大学研究人员蒂姆尼特·格布鲁拿走了五千万张谷歌街景图片，探索一个深度学习网络可以做些什么。计算机学会了本地化和识别汽车。它检测到超过2200万辆汽车，包括他们的制造商，型号，车型和年份。这个系统应用的一个例子包括了选民路线开始和停止的迹象。根据分析，“如果在15分钟车程内遇到的轿车数量超过皮卡车数量，那么在下次总统选举期间，这个城市很可能会投票给民主党人（88％的概率）。

（图片来源于互联网）