深度学习应用开发 课件 cha1 4-深度学习的应用领域

目录计算机视觉01任务自然语言处理02任务强化学习03任务1计算机视觉1计算机视觉计算机视觉是深度学习应用最为广泛的一个领域，计算机视觉中包括：图像识别(ImageClassification)目标检测(ObjectDetection)语义分割(SemanticSegmentation)视频理解(VideoUnderstanding)图片生成(ImageGeneration)1计算机视觉图像识别(ImageClassification)图像识别(ImageClassification)，也叫图像分类，是一种常见的分类问题。计算机视觉中图像分类算法常采用神经网络作为核心，算法的输入为图像数据，输出值为当前图像样本所属类别的概率，通常选取输出概率值最大的类别作为样本的预测类别。1计算机视觉目标检测(ObjectDetection)目标检测(ObjectDetection)，是指通过算法自动检测出图片中目标物体的类别及大致位置，然后用边界框(BoundingBox)表示，并标出边界框中物体的类别信息。1计算机视觉语义分割(SemanticSegmentation)语义分割(SemanticSegmentation)是通过算法自动分割并识别出图片中的内容，可以将语义分割理解为每个像素点的分类问题，分析每个像素点属于物体的类别。1计算机视觉视频理解(VideoUnderstanding)随着深度学习在2D图片的相关任务上取得较好的效果，具有时间维度信息的3D视频理解任务受到越来越多的关注。常见的视频理解任务有视频分类，行为检测，视频主体抽取等1计算机视觉图片生成(ImageGeneration)图片生成(ImageGeneration)，通过学习真实图片的分布，并从学习到的分布中采样而获得逼真度较高的生成图片。图像风格迁移2自然语言处理2自然语言处理1、机器翻译(MachineTranslation)过去的机器翻译算法通常是基于统计机器翻译模型，这也是2016年前Google翻译系统采用的技术。2、2016年11月，Google基于Seq2Seq模型上线了Google神经机器翻译系统(GNMT)，首次实现了源语言到目标语言的直译技术，在多项任务上实现50~90%的效果提升。3、常用的机器翻译模型有Seq2Seq，BERT，GPT，GPT-2等，其中OpenAI提出的GPT-2模型参数量高达15亿个，甚至发布之初以技术安全考虑为由拒绝开源GPT-2模型。机器翻译(MachineTranslation)2自然语言处理1、聊天机器人(Chatbot)聊天机器人也是自然语言处理的一项主流任务。2、通过机器自动与人类对话，对于人类的简单诉求提供满意的自动回复，提高客户的服务效率和服务质量。3、常应用在咨询系统、娱乐系统、智能家居等中。聊天机器人(Chatbot)3强化学习3强化学习强化学习（ReinforcementLearning,RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习技术常用语机器人(Robotics)和自动驾驶(AutonomousDriving)领域中。3强化学习机器人(Robotics)在真实环境中，机器人的控制也取得了一定的进展。如UCBerkeley在机器人的模仿学习(ImitationLearning)、少样本学习(MetaLearning)、元学习(Few-shotLearning)等方向取得了不少进展。波士顿动力公司的机器人机器人(Robotics)3强化学习自动驾驶(AutonomousDriving)被认为是强化学习在短期内能技术落地的一个应用方向，很多公司