1.圖像和物體識別

機器在圖像和物體識別方面有很好的記錄。GeoffHinton發明的膠囊網絡幾乎減少了以前的最佳錯誤率，這個測試挑戰軟件識別玩具。即使視圖與之前分析的視圖不同，在各種掃描中使用增加量的這些膠囊也允許系統更好地識別物體。

另一個例子來自一個最先進的網絡，該網絡經過標記圖像數據庫的訓練，能夠比相同任務訓練100小時的博士更好地分類對象。

2.電子游戲

Google的DeepMind使用深度學習技術，被稱為深度強化學習。研究人員用這種方法教計算機玩Atari游戲Breakout。電腦沒有以任何特定的方式教授或編程玩游戲。相反，它在觀看比分時被賦予了鍵盤的控制權，其目標是最大化得分。玩了兩個小時后，電腦成了游戲的專家。

深度學習社區正在進行一場比賽，訓練計算機在幾乎所有你能想到的游戲中擊敗人類，包括太空侵略者，毀滅戰士，乒乓球和魔獸世界。在大多數這些游戲中，深度學習網絡已經勝過有經驗的玩家。電腦沒有編程玩游戲;他們只是通過玩耍學習。

3.語音生成和識別

Google發布了WaveNet，百度發布了DeepSpeech。兩者都是自動生成語音的深度學習網絡。系統學會自己模仿人類的聲音，并隨著時間的推移而改善。將他們的言論與真實的人物區別開來，這要比想像中難得多。

由牛津大學和GoogleDeepMind科學家LipNet創建的一個深度網絡，在閱讀人們的嘴唇方面達到了93％的成功，普通的人類嘴唇閱讀器只有52％的成功率。華盛頓大學的一個小組使用唇形同步來創建一個系統，將合成音頻設置為現有視頻。

4.藝術和風格的模仿

神經網絡可以研究特定藝術品的筆畫，顏色和陰影中的圖案。在此基礎上，可以將原作的風格轉化為新的形象。

DeepArt.io就是一個例子，該公司創建的應用程序使用深度學習來學習數百種不同的風格，可以將其應用于照片。藝術家和程序員GeneKogan還根據從埃及象形文字中學到的算法樣式，應用風格轉換來修改蒙娜麗莎。

5.預測

斯坦福大學研究人員蒂姆尼特·格布魯拿走了五千萬張谷歌街景圖片，探索一個深度學習網絡可以做些什么。計算機學會了本地化和識別汽車。它檢測到超過2200萬輛汽車，包括他們的制造商，型號，車型和年份。這個系統應用的一個例子包括了選民路線開始和停止的跡象。根據分析，“如果在15分鐘車程內遇到的轎車數量超過皮卡車數量，那么在下次總統選舉期間，這個城市很可能會投票給民主黨人（88％的概率）。

來自GoogleSunroof的機器的另一個例子比人類提供更準確的預測。該技術使用來自GoogleEarth的航空照片創建屋頂的3D模型，將其與周圍的樹木和陰影區分開來。然后使用太陽的軌跡來預測太陽能電池板根據位置規格可以從屋頂產生多少能量。