硬件型号：联想V14

系统版本：Windows10

神经网络应用场景：

1. 图像和对象识别机器在图像和对象识别方面有着良好的记录。GeoffHinton发明的胶囊网络几乎降低了之前最优的错误率，这个测试挑战了软件识别玩具的能力。在各种扫描中增加这些胶囊的使用数量，使系统能够更好地识别物体，即使视图与之前分析的不同。

另一个例子来自于一个最先进的网络，它已经在标记图像的数据库中进行了训练，并且能够比在同一任务上训练了100小时的博士更好地分类对象。

2. 视频游戏

b谷歌的DeepMind使用了一种称为深度强化学习的深度学习技术。研究人员用这种方法教电脑玩Atari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。相反，它被赋予在观看分数时控制键盘的权利，目标是将分数最大化。玩了两个小时后，电脑成了这款游戏的专家。

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《太空入侵者》、《毁灭战士》、乒乓球和《魔兽世界》。在大多数此类游戏中，深度学习网络的表现都超过了有经验的玩家。电脑并不是用来玩游戏的；他们只是通过游戏来学习。

3.语音生成与识别

谷歌发布WaveNet，百度发布DeepSpeech。两者都是自动生成语音的深度学习网络。该系统可以自己学习模仿人类的声音，并随着时间的推移不断改进。要把他们所说的和真实的人区分开来，可能比你想象的要难。

由牛津大学和谷歌deepmind科学家创建的深度网络LipNet在读唇方面的成功率为93%，而普通人类读唇者的成功率为52%。华盛顿大学(University of Washington)的一个研究小组利用对口型技术创建了一个系统，该系统可以为现有视频设置合成音频。

4. 模仿艺术和风格

神经网络可以研究特定艺术品的笔触、颜色和阴影的模式。在此基础上，可以将原有的风格转化为新的形象。

DeepArt就是一个例子。Io是该公司开发的一款应用程序，它使用深度学习来学习数百种不同的风格，可以应用于照片。艺术家兼程序员GeneKogan还根据从埃及象形文字中学习到的算法模式，对《蒙娜丽莎》进行了风格转换。

5. 预测

斯坦福大学研究员Timnet Gebru采集了5000万张街景图片来探索深度学习网络的能力。计算机学会了定位和识别汽车。它可以检测到2200多万辆汽车，包括它们的品牌、型号、型号和年份。该系统的一个实际例子包括选民路线开始和停止的标志。据分析，“如果在15分钟的车程内遇到的汽车比皮卡多，那么在下届总统选举中，该城市很可能会投票给民主党(88%)。”

(图片来自互联网)