1.圖像和物體識(shí)別

機(jī)器在圖像和物體識(shí)別方面有很好的記錄。GeoffHinton發(fā)明的膠囊網(wǎng)絡(luò)幾乎減少了以前的最佳錯(cuò)誤率，這個(gè)測(cè)試挑戰(zhàn)軟件識(shí)別玩具。即使視圖與之前分析的視圖不同，在各種掃描中使用增加量的這些膠囊也允許系統(tǒng)更好地識(shí)別物體。

另一個(gè)例子來(lái)自一個(gè)最先進(jìn)的網(wǎng)絡(luò)，該網(wǎng)絡(luò)經(jīng)過標(biāo)記圖像數(shù)據(jù)庫(kù)的訓(xùn)練，能夠比相同任務(wù)訓(xùn)練100小時(shí)的博士更好地分類對(duì)象。

2.電子游戲

Google的DeepMind使用深度學(xué)習(xí)技術(shù)，被稱為深度強(qiáng)化學(xué)習(xí)。研究人員用這種方法教計(jì)算機(jī)玩Atari游戲Breakout。電腦沒有以任何特定的方式教授或編程玩游戲。相反，它在觀看比分時(shí)被賦予了鍵盤的控制權(quán)，其目標(biāo)是最大化得分。玩了兩個(gè)小時(shí)后，電腦成了游戲的專家。

深度學(xué)習(xí)社區(qū)正在進(jìn)行一場(chǎng)比賽，訓(xùn)練計(jì)算機(jī)在幾乎所有你能想到的游戲中擊敗人類，包括太空侵略者，毀滅戰(zhàn)士，乒乓球和魔獸世界。在大多數(shù)這些游戲中，深度學(xué)習(xí)網(wǎng)絡(luò)已經(jīng)勝過有經(jīng)驗(yàn)的玩家。電腦沒有編程玩游戲;他們只是通過玩耍學(xué)習(xí)。

3.語(yǔ)音生成和識(shí)別

Google發(fā)布了WaveNet，百度發(fā)布了DeepSpeech。兩者都是自動(dòng)生成語(yǔ)音的深度學(xué)習(xí)網(wǎng)絡(luò)。系統(tǒng)學(xué)會(huì)自己模仿人類的聲音，并隨著時(shí)間的推移而改善。將他們的言論與真實(shí)的人物區(qū)別開來(lái)，這要比想像中難得多。

由牛津大學(xué)和GoogleDeepMind科學(xué)家LipNet創(chuàng)建的一個(gè)深度網(wǎng)絡(luò)，在閱讀人們的嘴唇方面達(dá)到了93％的成功，普通的人類嘴唇閱讀器只有52％的成功率。華盛頓大學(xué)的一個(gè)小組使用唇形同步來(lái)創(chuàng)建一個(gè)系統(tǒng)，將合成音頻設(shè)置為現(xiàn)有視頻。

4.藝術(shù)和風(fēng)格的模仿

神經(jīng)網(wǎng)絡(luò)可以研究特定藝術(shù)品的筆畫，顏色和陰影中的圖案。在此基礎(chǔ)上，可以將原作的風(fēng)格轉(zhuǎn)化為新的形象。

DeepArt.io就是一個(gè)例子，該公司創(chuàng)建的應(yīng)用程序使用深度學(xué)習(xí)來(lái)學(xué)習(xí)數(shù)百種不同的風(fēng)格，可以將其應(yīng)用于照片。藝術(shù)家和程序員GeneKogan還根據(jù)從埃及象形文字中學(xué)到的算法樣式，應(yīng)用風(fēng)格轉(zhuǎn)換來(lái)修改蒙娜麗莎。

5.預(yù)測(cè)

斯坦福大學(xué)研究人員蒂姆尼特·格布魯拿走了五千萬(wàn)張谷歌街景圖片，探索一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)可以做些什么。計(jì)算機(jī)學(xué)會(huì)了本地化和識(shí)別汽車。它檢測(cè)到超過2200萬(wàn)輛汽車，包括他們的制造商，型號(hào)，車型和年份。這個(gè)系統(tǒng)應(yīng)用的一個(gè)例子包括了選民路線開始和停止的跡象。根據(jù)分析，“如果在15分鐘車程內(nèi)遇到的轎車數(shù)量超過皮卡車數(shù)量，那么在下次總統(tǒng)選舉期間，這個(gè)城市很可能會(huì)投票給民主黨人（88％的概率）。

來(lái)自GoogleSunroof的機(jī)器的另一個(gè)例子比人類提供更準(zhǔn)確的預(yù)測(cè)。該技術(shù)使用來(lái)自GoogleEarth的航空照片創(chuàng)建屋頂?shù)?D模型，將其與周圍的樹木和陰影區(qū)分開來(lái)。然后使用太陽(yáng)的軌跡來(lái)預(yù)測(cè)太陽(yáng)能電池板根據(jù)位置規(guī)格可以從屋頂產(chǎn)生多少能量。