正文
因为这些音频经过太多“修饰”，所以文章的作者制造了一些拐点（或技巧），以改善文本和时间节点。
结果很惊人。在不久的将来，恐怕我们在观看一段视频的时候，还得认真考证一番考虑视频的真实性了。
计算机视觉
OCR：Google 地图和街景
Google 大脑团队在他们的文章中，详细介绍了了他们如何在地图中引入可以识别路牌和商店标志 OCR（光学字符识别）的引擎。
在技术开发过程中，该公司编制了一套新的 FSNS（法国街道名称标志），其中包含许多复杂的案例。
这个网络识别一个标志最多需要四张照片。通过 CNN 提取特征，在空间注意力的帮助下进行缩放（将像素坐标考虑在内），并将结果反馈到 LSTM。
图 1：每张图像经过特征提取器处理，随后把结果连成一个特征图，由“f”表示，使用空间加权组合创建一个大小固定，反馈到 RNN 的矢量 ut。
同样的方法还适用于识别商店招牌名称的任务（可能有大量的“噪音”数据，而网络本身必须聚焦到正确的位置），样本可以达 800 亿张照片。
视觉推理
深度学习还可以完成一种被称为视觉推理的任务，要求神经网络通过根据照片回答问题。例如：“在图片中是否有与黄色金属圆柱体相同尺寸的橡胶材质？”而这个重要的问题直到最近才得以解决，准确度达 68.5%。
这次突破同样是 Deepmind 团队的功劳：在 CLEVR 数据集中，他们达到了 95.5％的精确度，这一成果甚至超过人类。
而且，这个网络架构非常有趣：
-
在文本问题上使用预先训练好的 LSTM，得到问题嵌入。
-
使用 CNN（只有四层）与图片，得到功能图（表征图片的特征）。
-
接下来，在特征图（黄色、蓝色，图下方的红色）形成成对的坐标组合，并添加坐标和文本嵌入。
-
通过另一个网络进行 triple 和求和。
-
最终的演示文稿由另一个前馈网络生成，它负责给出柔性最大值传输函数（softmax）答案。
Pix2 代码
此外，Uizard 公司还创建了一个有趣的神经网络应用：把界面设计者的屏幕截图，并生成一个布局代码。
图 2：使用 DSL 编程的本地 iOS GUI 示例
这是一个非常实用的神经网络应用程序，它可以使开发软件的过程更轻松。作者称，这个网络的准确度可以达到 77％。但是，这个项目目前还在研究阶段，目前还没有开始实际应用。
SketchRNN：训练一台机器画画
也许你听说过 Google 开发的 Quick，Draw！，其目标是在 20 秒内绘制各种目标的草图。如谷歌在博客和文章中所述，他们收集了一个数据集来训练神经网络。
这个数据集包含 7 万张草图，现已开源。草图不是图片，而是绘图的详细向量描述（在某一点用户按下“铅笔”，松开开始绘制等）。
研究人员已经使用 RNN 作为编码 / 解码机制，来训练序列到序列的变分自编码器（VAE）。
图 2：RNN 框架原理图
最终，为了适配自动编码器，该模型接收到表征原始图像的本征向量。
由于解码器可以从这个矢量中提取一幅图画，你可以通过改变向量得到新的草图。
甚至通过执行矢量算法来创建一个“猫猪”：
GANs
生成性对抗网络（GAN，Generative Adversarial Networks ）是深度学习中最热门的话题之一。GANs 多用来处理图像，所以我用图像来解释这个概念。
GAN 的基本原理是两个网络——生成器和鉴别器之间相互竞争。生成器网络生成图片，而鉴别器网络判断图片是真实的，还是生成的。
