神經(jīng)網(wǎng)絡(luò)應(yīng)用場(chǎng)景
（1）語(yǔ)音識(shí)別

自2006 年Hinton等提出深度學(xué)習(xí)的概念，神經(jīng)網(wǎng)絡(luò)再次回到人們的視野中，語(yǔ)音識(shí)別是第1個(gè)取得突破的領(lǐng)域。傳統(tǒng)語(yǔ)音識(shí)別的方法主要利用聲學(xué)研究中的低層特征，利用高斯混合模型進(jìn)行特征提取，并用隱馬爾可夫模型進(jìn)行序列轉(zhuǎn)移狀態(tài)建模，并據(jù)此識(shí)別語(yǔ)音所對(duì)應(yīng)的文字。歷經(jīng)數(shù)十年的發(fā)展，傳統(tǒng)語(yǔ)音識(shí)別任務(wù)的錯(cuò)誤率改進(jìn)卻停滯不前，停留在25% 左右，難以達(dá)到實(shí)用水平。

2013 年，Hinton 與微軟公司合作，利用神經(jīng)網(wǎng)絡(luò)改進(jìn)語(yǔ)音識(shí)別中的特征提取方法，將錯(cuò)誤率降低至17.7%，并在大會(huì)現(xiàn)場(chǎng)展示了同聲傳譯產(chǎn)品，效果驚人。此后，研究者們又陸續(xù)采用回復(fù)式神經(jīng)網(wǎng)絡(luò)改進(jìn)語(yǔ)音識(shí)別的預(yù)測(cè)和識(shí)別，將錯(cuò)誤率降至7． 9%。這一系列的成功使得語(yǔ)音識(shí)別實(shí)用化成為可能，激發(fā)了大量的商業(yè)應(yīng)用。至2016 年，同聲速記產(chǎn)品準(zhǔn)確率已經(jīng)突破95%，超過(guò)人類速記員的水平。

（2）計(jì)算機(jī)視覺(jué)

計(jì)算機(jī)視覺(jué)一直以來(lái)都是一個(gè)熱門的研究領(lǐng)域。傳統(tǒng)的研究?jī)?nèi)容主要集中在根據(jù)圖像特點(diǎn)人工設(shè)計(jì)不同的特征，如邊緣特征、顏色特征、尺度不變特征等。利用這些特征完成特定的計(jì)算機(jī)視覺(jué)任務(wù)，如圖像分類、圖像聚類、圖像分割、目標(biāo)檢測(cè)、目標(biāo)追蹤等。

傳統(tǒng)的圖像特征依賴于人工設(shè)計(jì)，一般為比較直觀的初級(jí)特征，抽象程度較低，表達(dá)能力較弱。神經(jīng)網(wǎng)絡(luò)方法利用大量的圖像數(shù)據(jù)，完全自動(dòng)地學(xué)習(xí)特征。在深度神經(jīng)網(wǎng)絡(luò)中，各層特征形成了邊緣、線條、輪廓、形狀、對(duì)象等的層次劃分，抽象程度逐漸提高。

2012 年，在大規(guī)模圖像數(shù)據(jù)集ImageNet 上，神經(jīng)網(wǎng)絡(luò)方法取得了重大突破，準(zhǔn)確率達(dá)到84.7%。在LFW 人臉識(shí)別評(píng)測(cè)權(quán)威數(shù)據(jù)庫(kù)上，基于深度神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法DeepID 在2014、2015 年分別達(dá)到準(zhǔn)確率99.15% 和99.53%，遠(yuǎn)超人類識(shí)別的準(zhǔn)確率97.53%。

（3）醫(yī)學(xué)醫(yī)療

醫(yī)學(xué)醫(yī)療因?yàn)槠鋺?yīng)用的特殊性一直是科學(xué)研究的前沿，既要快速的推進(jìn)，又要求格外嚴(yán)謹(jǐn)。如何利用好大數(shù)據(jù)解決醫(yī)學(xué)和醫(yī)療中的問(wèn)題，進(jìn)一步改善醫(yī)療條件，提高診治水平，是值得人們關(guān)注和研究的。隨著神經(jīng)網(wǎng)絡(luò)各類應(yīng)用的成功和成熟，在醫(yī)學(xué)和醫(yī)療領(lǐng)域也出現(xiàn)了新的突破。

2016 年1 月，美國(guó)Enlitic 公司開(kāi)發(fā)的基于深度神經(jīng)網(wǎng)絡(luò)的癌癥檢測(cè)系統(tǒng)，適用于從X 光、CT 掃描、超聲波檢查、MＲI 等的圖像中發(fā)現(xiàn)惡性腫瘤，其中，肺癌檢出率超過(guò)放射技師水平。

同年，Google 利用醫(yī)院信息數(shù)據(jù)倉(cāng)庫(kù)的醫(yī)療電子信息存檔中的臨床記錄、診斷信息、用藥信息、生化檢測(cè)、病案統(tǒng)計(jì)等數(shù)據(jù)，構(gòu)建病人原始信息數(shù)據(jù)庫(kù)，包括病人的用藥信息、診斷信息、診療過(guò)程、生化檢測(cè)等信息，采用基于神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督深度特征學(xué)習(xí)方法學(xué)習(xí)病人的深度特征表達(dá)，并借助這一表達(dá)進(jìn)行自動(dòng)臨床決策，其準(zhǔn)確率超過(guò)92%。這些成果為實(shí)現(xiàn)基于醫(yī)療大數(shù)據(jù)的精準(zhǔn)醫(yī)療打下了扎實(shí)基礎(chǔ)。

（4）智能博弈

圍棋被譽(yù)為“最復(fù)雜也是最美的游戲”，自從國(guó)際象棋世界冠軍被深藍(lán)電腦擊敗后，圍棋也成為了“人類智慧最后堡壘”。2016 年，Google 旗下Deep-Mind 團(tuán)隊(duì)的AlphaGo對(duì)戰(zhàn)人類圍棋世界冠軍李世乭九段，不但引起圍棋界和人工智能界的熱切注視，還吸引了眾多群眾的關(guān)注。

最終AlphaGo 以4:1戰(zhàn)勝李世乭九段，其背后成功的秘訣正是采用了神經(jīng)網(wǎng)絡(luò)與增強(qiáng)學(xué)習(xí)相結(jié)合，借助神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力捕捉人類難以分析的高層特征; 再利用增強(qiáng)學(xué)習(xí)，采用自我對(duì)弈的方法產(chǎn)生大量的數(shù)據(jù)，從自己的嘗試中學(xué)習(xí)到超越有限棋譜的技巧，成功掌握了致勝技巧。

這一結(jié)果在人工智能界非常振奮人心，因?yàn)樗岢隽艘环N自發(fā)學(xué)習(xí)到超越現(xiàn)有數(shù)據(jù)的學(xué)習(xí)方法，標(biāo)志了增強(qiáng)學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的成功結(jié)合，也是“大數(shù)據(jù)+ 神經(jīng)網(wǎng)絡(luò)”的成功的應(yīng)用。

總結(jié)

以上是生活随笔為你收集整理的神经网络应用场景的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。