Neyron tarmoq asoslari va uni chuqur o'rganish

 оптическое распознавание символов (Breuel et al., ICDAR 2013);  генерация подписей к изображениям (Vinyals et al., Google, 2014);


 порождение текстового описания видеоизображения (Donahue et al., 2014);  синтаксический разбор естественного языка (Vinyals et al., Google, 2014);  фотореалистичные говорящие головы (Soong and Wang, Microsoft, 2014). На основе этих достижений мы легко можем спрогнозировать, что в следующем

десятилетии глубокое обучение проникнет во многие приложения. Вот несколько наиболее впечатляющих демонстраций прикладного глубокого обучения:

 автоматическое повышение резкости изображения (https://github.com/ alexjc/neural-enhance);


 автоматическое увеличение изображения (https://github.com/nagadomi/ waifu2x);


 WaveNet: генерация речи, имитирующей голос другого человека (https:// deepmind.com/blog/wavenet-generative-model-raw-audio/);
 WaveNet: генерация правдоподобно звучащей классической музыки;
 реконструкция речи по видео без звука (http://www.vision.huji.ac.il/vid-2speech/);


 генерация шрифтов (https://erikbern.com/2016/01/21/analyzing-50k-fonts-us-ing-deep-neural-networks.html);


 автоматическое заполнение отсутствующих в изображении участков (http:// bamos.github.io/2016/08/09/deep-completion/);


 автоматическое подписывание изображений (http://cs.stanford.edu/people/ karpathy/deepimagesent/, см. также https://github.com/karpathy/neuraltalk2);


 превращение любительских рисунков в картины в стиле известных худож-ников (https://github.com/alexjc/neural-doodle).

Мы, как правило, не осознаем всю прелесть важных коммерческих приложе-ний, пока их не подсунут нам прямо под нос. Быть в курсе прогресса в архитекту-рах глубоких сетей важно, чтобы понимать, как развиваются прикладные идеи.