如果我設計了一種算法，可以讓卷積神經(jīng)網(wǎng)絡的泛化準確率提高2%∽3%左右，能不能發(fā)表論文？當然，論文可以發(fā)表。目前泛化能力總體上已經(jīng)到了瓶頸，總體上達到了這個優(yōu)化水平，所以選擇CVPR應該沒有問題。但優(yōu)

如果我設計了一種算法，可以讓卷積神經(jīng)網(wǎng)絡的泛化準確率提高2%∽3%左右，能不能發(fā)表論文？

當然，論文可以發(fā)表。

目前泛化能力總體上已經(jīng)到了瓶頸，總體上達到了這個優(yōu)化水平，所以選擇CVPR應該沒有問題。

但優(yōu)化的方向不僅僅是泛化能力。一篇優(yōu)秀的CVPR論文不可能在一個方面得到推廣，所以很容易被淘汰。需要包括其他支持方面，例如：

它是否提高了通用場景的泛化能力？

它是通過堆網(wǎng)絡層實現(xiàn)的，這會導致泛化，但性能會下降很多嗎？

這種泛化精度是否有特殊的前提，是否適合小樣本和不平衡樣本？

根據(jù)紙張和測試集的方法，是否可以快速復制？最好有一個GIT的演示。

提高泛化精度的原則是否足夠創(chuàng)新？需要清晰嚴謹?shù)臄?shù)理邏輯。

與其他類似的技巧相比，有哪些亮點？

是否有任何實際的項目登陸證書？

以上只是我示例的一部分。別聽樓上的廢話。如果一篇優(yōu)秀的論文能夠成功應用于四大人工智能會議，將會給你帶來巨大的利潤。進入阿里達摩學院、騰訊和頭條新聞是一個很大的獎勵項目。

人工智能專業(yè)包含神經(jīng)網(wǎng)絡么，考研東北大學，學校只有人工智能專業(yè)沒有神經(jīng)網(wǎng)絡專業(yè)，我該報人工智能么？

人工智能專業(yè)的主要研究內(nèi)容是如何利用機器智能（主要通過計算機技術(shù)）實現(xiàn)人的問題獲取、問題推理和問題解決。目前的研究領(lǐng)域包括通過機器視覺感知外界環(huán)境、機器聽覺、機器觸覺環(huán)境數(shù)據(jù)采集等。，通過機器學習和深度學習對數(shù)據(jù)進行分析和推理（基于神經(jīng)網(wǎng)絡模型的相關(guān)方法的研究是一個主要的研究方向）。問題的解決主要依靠計算機科學技術(shù)的軟硬件設計和軟件工程的算法實現(xiàn)。最后通過機電工程機械設計自動化設備系統(tǒng)解決了這一問題。東北大學已進入甲級學科，包括材料科學、計算機科學與技術(shù)、軟件工程和控制科學。因此，從總體上看，東北大學在人工智能方向上具有較強的實力。

人工智能專業(yè)是智能科學與技術(shù)的一個分支，神經(jīng)網(wǎng)絡只是目前智能領(lǐng)域機器學習和深度學習應用技術(shù)的典型模式。未來的發(fā)展將會有更多的模式和技術(shù)。因此，首先，神經(jīng)網(wǎng)絡不是一個專業(yè)方向，其次，在相關(guān)課程中學習并不比是否包含在內(nèi)更難，將來一定會發(fā)生。

統(tǒng)計和概率論應該是包括人工智能在內(nèi)的智能科學學習和發(fā)展最具影響力的基礎學科，因為目前人工智能的主要方向是機器學習和基于人類經(jīng)驗大數(shù)據(jù)的深度學習。

是否存在通用的神經(jīng)網(wǎng)絡模型，可以處理圖像，語音以及NLP？

對于目前的深度學習模型，雖然深度學習的目標之一是設計能夠處理各種任務的算法，但是深度學習的應用還需要一定的專業(yè)化，目前還沒有通用的神經(jīng)網(wǎng)絡處理模型。然而，每一種模式也在相互學習、相互融合、共同提高。例如，一些創(chuàng)新可以同時改進卷積神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡，如批量標準化和關(guān)注度。一般模型需要在將來提出。

圖像和視頻處理，計算機視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應用于計算機視覺領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點。將上述模型應用于圖像分類識別中。在圖像分割、目標檢測等方面，提出了更有針對性的模型，并得到了廣泛的應用。

語音處理，2012年之前，最先進的語音識別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學習RNN遞歸神經(jīng)網(wǎng)絡，其長、短期記憶網(wǎng)絡LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語言處理方法外，目前的自然語言處理深度學習模型也經(jīng)歷了幾個發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務場景有不同的模型和策略來解決一些問題。