🚀1.深度学习崛起阶段

2006年，深度学习概念提出。

2011年，ReLU激活函数提出，微软、谷歌首次将深度学习应用到语音识别领域，识别错误率降低了30%。

2012年，深度学习技术在图像识别领域取得惊人效果，ImageNet评测错误率从26%降低到15%，

2014年，FaceBook开发基于深度学习的人脸识别技术，识别正确率达到97%，跟人类识别率几乎相同。

2016年，谷歌旗下DeepMind开发的AlphaGo围棋对战程序以4:1的成绩战胜韩国世界冠军职业九段棋手李世石。

2017年，基于强化学习算法的AlphaGo升级版AlphaGo Zero横空出世，以100:0的比分轻而易举的打败了AlphaGo。也以总比分3比1战胜世界排名第一的柯洁。

......

---

🚀2.深度学习应用最广泛的研究领域

深度学习应用最广泛的研究领域：计算机视觉、自然语言处理、......

📢 计算机视觉（CV）

📖 计算机视觉是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。

📖 目标分类、物体检测和图像分割是其比较成功的研究领域。

📢 自然语言处理（NLP）

📖 文本挖掘/分类：可用于理解、组织和分类结构化或非结构化文本文档。其涵盖的主要任务有句法分析、情绪分析和垃圾信息检测。

📖 机器翻译：利用机器的力量自动将一种自然语言（源语言）的文本翻译成另一种语言（目标语言）。

📖 语音识别：语音识别是指识别语音并将其转换成对应文本的技术。相反的任务（文本转语音）也是这一领域内一个类似的研究主题。

📖 数据挖掘：推荐系统、知识库（专家系统）

📖 游戏：角色仿真、AlphaGo（强化学习）

📖 复合应用：自动驾驶、无人机、机器人等

......

---

🚀3.计算机视觉典型应用前景

计算机视觉典型应用场景：目标分类、目标检测、图像分割

📢 目标分类（Object Classification）

📖 图像分类核心是从给定的分类集合中给图像分配一个标签的任务。

📖 常用模型：Lenet、Alxnet、VGG、Resnet、Darknet

📢 目标检测（Object Detection）

📖 目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。

📖 单阶段（SSD、YOLO、RetinaNet）、双阶段（Faster RCNN...)

📢 图像分割（Image Segmentation）

📖 图像分割是对图像中属于特定类别的像素进行分类的过程，输出目标Mask

📖 语义分割(Semantic Segmentation)会为图像中的每个像素分配一个类别，但是同一类别之间的对象不会区分。

📖 实例分割(Instance Segmentation)会将同类型的实例进行分类，同一类别之间的对象也会区分出来。

🚀4.卷积神经网络CNN典型结构

---

🚀5.深度学习的瓶颈

📖 数据瓶颈：深度学习需要大量的数据；

📖 泛化瓶颈：训练好的模型用在变化的环境或领域，其泛化性能明显下降；

📖 能耗瓶颈：相比人的大脑，在计算机上实现的人工智能系统能耗很高；

📖 可解释性瓶颈：深度学习方法至今无法解释，且其过于依赖训练数据，缺乏深层次数据语义挖掘；

📖 可靠性瓶颈：现有算法可靠性较差，有些错误识别结果会带来致命后果。

---

讲到这里，大家对深度学习有一点简单了解了吧？接下来，就让我们一起进入深度学习的世界，欢迎观看后期文章！😍🎀