1.圖像和物體識別

機器在圖像和物體識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誤率，這個測試挑戰(zhàn)軟件識別玩具。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)更好地識別物體。

另一個例子來自一個最先進的網(wǎng)絡(luò)，該網(wǎng)絡(luò)經(jīng)過標記圖像數(shù)據(jù)庫的訓練，能夠比相同任務訓練100小時的博士更好地分類對象。

2.電子游戲

Google的DeepMind使用深度學習技術(shù)，被稱為深度強化學習。研究人員用這種方法教計算機玩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，它在觀看比分時被賦予了鍵盤的控制權(quán)，其目標是最大化得分。玩了兩個小時后，電腦成了游戲的專家。

深度學習社區(qū)正在進行一場比賽，訓練計算機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，深度學習網(wǎng)絡(luò)已經(jīng)勝過有經(jīng)驗的玩家。電腦沒有編程玩游戲;他們只是通過玩耍學習。

3.語音生成和識別

Google發(fā)布了WaveNet，百度發(fā)布了DeepSpeech。兩者都是自動生成語音的深度學習網(wǎng)絡(luò)。系統(tǒng)學會自己模仿人類的聲音，并隨著時間的推移而改善。將他們的言論與真實的人物區(qū)別開來，這要比想像中難得多。

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

4.藝術(shù)和風格的模仿

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，可以將原作的風格轉(zhuǎn)化為新的形象。

DeepArt.io就是一個例子，該公司創(chuàng)建的應用程序使用深度學習來學習數(shù)百種不同的風格，可以將其應用于照片。藝術(shù)家和程序員GeneKogan還根據(jù)從埃及象形文字中學到的算法樣式，應用風格轉(zhuǎn)換來修改蒙娜麗莎。

5.預測

斯坦福大學研究人員蒂姆尼特·格布魯拿走了五千萬張谷歌街景圖片，探索一個深度學習網(wǎng)絡(luò)可以做些什么。計算機學會了本地化和識別汽車。它檢測到超過2200萬輛汽車，包括他們的制造商，型號，車型和年份。這個系統(tǒng)應用的一個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，這個城市很可能會投票給民主黨人（88％的概率）。

來自GoogleSunroof的機器的另一個例子比人類提供更準確的預測。該技術(shù)使用來自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。然后使用太陽的軌跡來預測太陽能電池板根據(jù)位置規(guī)格可以從屋頂產(chǎn)生多少能量。