是否存在通用的神經網絡模型，可以處理圖像，語音以及NLP？對于目前的深度學習模型來說，盡管深度學習的一個目標是設計能夠處理各種任務的算法，然而截至目前深度學習的應用仍然需要一定程度的特化，還沒有通用的

是否存在通用的神經網絡模型，可以處理圖像，語音以及NLP？

對于目前的深度學習模型來說，盡管深度學習的一個目標是設計能夠處理各種任務的算法，然而截至目前深度學習的應用仍然需要一定程度的特化，還沒有通用的神經網絡處理模型。不過各個模型也在互相借鑒，彼此融合，共同提高，象有些創(chuàng)新能同時改進卷積神經網絡和循環(huán)神經網絡，比如批標準化與注意力等。通用的模型還有待未來研究提出。

圖像和視頻處理，計算機視覺，目前最流行的是cnn，即卷積神經網絡，及其變形和發(fā)展，cnn適合處理空間數據，在計算機視覺領域應用廣泛。象陸續(xù)出現的ＡｌｅｘＮｅｔ，ＶＧＧＮｅｔ，ＧｏｏｇＬｅＮｅｔ，ＲｅｓＮｅｔ等都很有特色。以上幾種模型是圖像分類識別使用的。象圖像分割，目標檢測等還有更多針對性模型提出和得到廣泛應用。

語音處理，2012 年前，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) 的結合。目前最流行的是深度學習的RNN循環(huán)神經網絡，及其發(fā)展長短時記憶網絡LSTM，以及GRU，雙向RNN，分層RNN等。

自然語言處理，除了傳統(tǒng)方法，目前深度學習用于自然語言處理的模型經歷了基于CNN的模型，基于RNN的模型，基于Attention機制的模型，基于Transformer的模型等幾個發(fā)展階段。NLP有很多模型和方法，不同的任務場景有不同的模型和策略來解決某些問題。