很喜欢衣服的样子。
1、你有使用过改变表情的应用吗？感觉这种应用如何？有没有市场？
没有，不过这种东西肯定有市场。比如前一段时间的速7的保罗。为了让保罗·沃克回归，片方用了替身+动态捕捉+CGI动画的方式，以保罗的两位弟弟为替身，最终让观众的老朋友重新回到了大屏幕上。
2、除了用来改变照片上的表情外，你觉得这种应用还能使用在什么场景？比如视频？
呵呵，竟然上来就提视频，一看你就是老司机，行啊，我就把你想说的视频的用法说一下吧：
据报道，一种新的色情片制作方式正在外网兴起——借助人工智能将明星的脸与女优的身体拼接。据AI技术研究者Alex J. Champandard评价，这种伪造色情片完成度已经很高了。虽然人物的脸有些不自然，但一眼看上去还是会以假乱真。在类似于TensorFlow的开源机器学习工具的帮助下，一名名为deepfakes的网友在Reddit网站上通过算法，将斯嘉丽·约翰逊，泰勒·斯威夫特和加尔·加托等名人的面部图片视频放在AV女优身上，创造出一种新型的色情视频。
deepfakes表示：“我只是找到了一种聪明的方式去促成了面部交换。”通过谷歌图片搜索，库存照片和YouTube视频，deepfakes可以轻松获得数以万计的面部图像并生成数百万个扭曲的图像。之后，AI 会学习色情电影和这些明星的脸部，最后生成伪造的影片。
根据他的分享，制作一个明星换脸视频非常简单。以盖尔·加朵的视频为例，他首先会在谷歌、YouTube以及各种网络图集中收集盖尔·加朵的各个角度的视频和图片。组成一个能满足深度学习任务进行脸部替换的素材库。然后他会通过TensorFlow上提供的机器视觉相关模型，学习和理解原版小电影中女主角的面部特征、轮廓、动作和嘴型等等。继而让模型在素材库中寻找各种角度、各种表情下AI认为合适的图片与视频，对原本视频进行替换。
这种新型的假色情片的出现会进一步促使假消息的泛滥，使得大众轻信一些诸如女明星拍摄成人电影的不真实、不客观、甚至不存在的信息。当被问到是否考虑过这种技术带来的道德影响，可能被用以勒索、情色报复时，deepfakes表示，恶意使用技术往往是无法被避免的。如果这项技术能让更多普通人参与机器学习研究，这就并不是一件坏事。
当然啦，据一些看过的老司机说现在这种算法并不完美，生成的视频有不少错误，不过这个和Deepfakes本身的技术能力一般有关系。相信随着深度学习能力的提高或者后续有高手参与应该会有更好的效果。
3、继游戏竞技和图片处理之外，你觉得接下来机器学习还能在哪些方面大放异彩？
深度学习从某种角度来说是模仿人的大脑分析的机智，所以它的潜力可以说是无穷的，这是从网上找的基于深度学习开发出来的一些不可思议的应用：
盲人看照片
Facebook开发的一个移动应用，可以让盲人或者视力障碍者像正常人一样浏览照片。
实时语音翻译
微软的Skype能够将语音实时翻译成不同的语言。
自动回复电子邮件
Google的Mail可以代替您自动回复电子邮件。
目标识别
Moodstocks（已经被Google收购）推出的智能手机图像识别应用程序Moodstocks Notes，可通过照片识别书籍、CD、海报、传单和酒标等对象。
照片定位
Google能够根据照片进行拍摄场景定位。
照片整理
Google相册可以自动整理分类到常见的主题下面。
分类照片
Yelp可以根据业务分支对照片进行分类。
自动驾驶
自动驾驶技术应该是深度学习领域最为大家所知的应用了。
音乐作曲
可以基于不同的作曲家风格进行音乐组成。
绘画
可以基于著名的艺术家绘画风格创建。
新材料
利用深度学习发现新材料。
玩电子游戏
Google DeepMind能够创建视频游戏系统，通过观看游戏学习如何玩得很好。
脸部识别
这个就无需解释了。
标题党
一种RNN训练，生成吸引眼球的标题。
黑白照片变彩色
将黑白照片自动转换成彩色。
文本图像实时翻译
Google的一个移动应用，可将照片中的文字翻译成您可以理解的文字。
键盘
Swiftkey正在构建一种移动键盘，让输入更加简单方便。
手势识别
使用不同的手势，对没有屏幕的设备进行交互。
拍照自动微笑
SmileVector可以把一张照片的人，自动转换成微笑的表情的照片。
人类对话
例如Google开发的进行自动对话回复的邮件。
增强现实——脸部追踪
百度开发的一个应用，能够基于深度学习技术进行面部追踪。
仓库优化
一个深度学习系统，在仓库中用最佳的方式拿取和放置物品，这种系统明显快于传统的研究方法，并且效率更高。
图片搜索
将图像进行视觉搜索查询。
Prosetheses控制
通知脑电图描记器参与提取记录中语音混合物在神经转向听力假肢中的应用。
流体模拟
利用卷积网络创建快速且高度逼真的流体模拟。
个性化
亚马逊使用深度学习技术来驱动其个性化功能。
脑肿瘤检测
在2013年BRATS测试数据集上的报结果表明，802,368参数网络比已发布的最先进的技术改进了超过30倍。
省电
Google正在使用DeepMind人工智能子公司的技术，以大幅节省其数据中心的电力功耗。
整理货架
类似上面的仓库优化，亚马逊研究人员基于深度学习技术分析3D扫描，让机器人对物品进行整理。
图像合成
将草图合成真实的面部图像。
临床事件预测
一个RNN训练，8年时间从来自26万患者和14805名医生的EHR数据，该神经网络进行多标签预测（每次诊断或药物类别作为一个标签），该系统可以执行召回鉴别诊断率高达79%，明显高于基线。
皮肤评价和建议
使用深度学习来确定客户的“皮肤年龄”，确定问题领域，并提供旨在解决这些问题的产品方案。
生物信息学
药物设计，虚拟筛选（VS），定量结构——活性关系（QSAR）研究，蛋白质结构预测和基因组学（和其他组学）数据挖掘。
4、深度学习也有好几年的发展历史了，为什么近两年突然成了网红？
我认为主要原因有3个
首先深度学习算法不断优化和成长。其实深度学习算法的优化主要是在强化计算的速度的，比如Relu激活函数等等新的算法及优化大大的降低了计算的资源需求。
其次硬件的飞速发展。近几年大规模计算，GPU，FPGA，TPU等等深度学习的硬件层出不穷，快速发展，为推动深度学习的发展提供了硬件基础。
最后是互联网业务发展带来的海量数据。为深度学习提供了大展拳脚的舞台。
