1.4 深度學習的應用

深度學習最早興起于圖像識別，在最近幾年可以說是已經深入各行各業。深度學習在計算機視覺、語音識別、自然語言處理、機器人控制、生物信息、醫療、法律、金融、推薦系統、搜索引擎、電腦游戲和娛樂等領域均有應用。

圖像識別——圖像識別可以說是深度學習最早實現突破性成就的領域。如今計算機對圖片的識別能力已經跟人類不相上下。我們把一張圖片輸入神經網絡，經過網絡的運算，最后可以得到圖片的分類。如圖1.15所示，我們可以看到，對于每一張圖片，神經網絡都給出了5個最有可能的分類，排在最上面的可能性最大。圖1.15中的置信度表示的就是該圖片的概率值。

目標檢測——利用深度學習我們還可以識別圖片中的特定物體，然后對該物體進行標注，如圖1.16所示。

人臉識別——深度學習還可以識別圖像中的人臉，判斷是男人還是女人，判斷人的年齡，判斷圖像中的人是誰等，如圖1.17所示。

目標分割——目標分割可以識別出圖中的物體，并且可以劃分出物體的邊界，如圖1.18所示。

描述圖片——把一張圖片輸入神經網絡中，就可以輸出對這張圖片的文字描述，如圖1.19所示。

圖片風格轉換——利用深度學習實現一張圖片加上另一張圖片的風格，然后生成一張新的圖片，如圖1.20所示。

語音識別——深度學習還可以用來識別人說的話，把語音數據轉換為文本數據，如圖1.21所示。

文本分類——使用深度學習對多個文本進行分類，比如判斷一個評論是好評還是差評，或者判斷一篇新聞是屬于娛樂新聞、體育新聞還是科技新聞，如圖1.22所示。

機器翻譯——使用深度學習進行機器翻譯，如圖1.23所示。

詩詞生成——把一個詩詞的題目傳入神經網絡，就可以生成一篇詩詞，如圖1.24所示，其就是AI寫的一首詩。雖然這首詩有些看不太懂，但是已經“有內味了”。

圖像生成——深度學習還可以用來生成圖片。比如我們可以打開網站https://make.girls.moe/＃/，設置好動漫人物的頭發顏色、頭發長度、眼睛顏色、是否戴帽子等信息就可以生成符合條件的動漫人物，并且可以生成無數張不重復的照片，如圖1.25所示。

這里只是列舉了非常少量的例子，深度學習的已經逐漸深入各行各業，深入我們的生活中。