我将列出一些我相当有信心 DNN 比 SVM 表现更好的领域，这不仅仅是“炒作”。我确信还有更多，就像我确信 SVM 在某些地方会做得更好一样。特别是，我发现很多提出此类问题的人只考虑全连接网络（也称为前馈网络，或多层感知器，或人工神经网络，或......），通常被应用于更标准的“表格”样式数据。在这些情况下，我没有看到 DNN 的令人难以置信的结果，如果这是你唯一的体验，可能很容易相信这只是炒作。

DNN 真正闪耀的地方在于卷积神经网络，还有它们处理顺序数据的能力、生成数据的能力和强化学习（例如学习玩围棋或 Atari 游戏）。我将在下面详细介绍一些。

图片

DNNS，尤其是卷积神经网络 (CNN)，是几乎所有图像处理任务的最先进技术。我不确定是否有人认真建议 SVM 在 ImageNet、Cifar10 甚至 MNIST 等分类数据集上达到相当的性能。

这对于“密集”图像预测来说是双倍的，例如，给定 CT 扫描的 500x500 图像，准确分类哪些像素是肿瘤（参见U-Net：生物医学图像分割的卷积网络，作者：Olaf Ronneberger、Philipp Fischer、Thomas Brox）该领域的早期作品）。我不确定 SVM 会是什么样子。

请注意，虽然图像是 CNN 的典型子项目，但它们也可以很容易地应用于过去可能使用过信号处理的其他任务，并且根据我的个人经验，它们已经达到了更好的性能水平。

数据生成

目前有许多数据生成任务是研究领域。例如，使用生成对抗网络生成新图像（但在实践中，它通常仅用作无监督特征学习）。还有一些有趣的工作正在尝试生成艺术/音乐（https://magenta.tensorflow.org/）。与密集图像预测类似，我不确定 SVM 执行此操作会是什么样子。也许有人用 SVM 在这个领域做着令人着迷的工作，我不会声称自己是这方面的专家，但我的印象是这并没有发生。

我会注意到数据生成不仅仅是纯粹的学术，还有语音合成（想想 Siri、Cortana 或 Google Assistant）以及可能的其他领域。

强化学习

研究人员已经能够训练 DNN 来学习如何仅使用原始像素数据和分数作为输入来玩 Atari 游戏 ( https://deepmind.com/research/dqn/ )。也许这只是我的经验不足，但这是我很难用 SVM 实现的壮举。