深度自学的软件系统，最后造成我们在2015年10月开源了TensorFlow，借以期望需要更进一步推展深度自学的应用于和研究。TensorFlow 是什么？TensorFlow现在早已演化成一个非常原始的深度自学软件开放平台，比如说，它反对CPU、GPU混合搭起的数据中心的训练平台，它也反对将数据中心训练出来的好的模型，比较便利的部署到有所不同的移动末端应用于上，可以反对类似于Google自律研发的尤其自定义的TPU处理器，这种多平台的反对，我们实在可以协助到最少的用户和应用于场景，我们同时也非常感谢很多业界的同行对我们的反对，比如说在美国Intel和英伟达都在协助我们优化TensorFlow在他们各自硬件上的性能。反对多种硬件的平台是基础，TensorFlow仍然以来的一个目标，就是需要协助尽可能多的开发者，需要把深度自学的技术利用一起，最后使得广大的用户借此能力获得益处，基于这个点子，TensorFlow仍然很推崇多种程序员研发环境的反对。

比如说，开发者可以在主要的研发环境中用于TensorFlow。TensorFlow 能做到哪些事情？TensorFlow在我们公司内部的应用于推展是十分全面和完全的，比如说TensorFlow很早已协助Google的核心业务（搜寻和广告），实行了深度自学的模型，并且在核心业务上反映了他们的性能。在垃圾邮件过滤器也用于了TensorFlow训练的模型，同时在安卓的应用程序引荐上，也上线了TensorFlow的模型等等。

很多TensorFlow应用于都是再次发生后台，大多数用户有可能没必要的体验，这里我荐几个在移动端的例子来解释深度自学，只不过早已很必要的影响了成千上万的用户。自拍电影破面比如说，安卓手机最近的版本当中减少了一个自拍电影功能，这个自拍电影功能就是通过应用于深度自学训练出来的视觉模型，可以十分精确的分离出来前景像素和后景像素，对前景像素和后景像素分别处置，这样的话就可以构建背景破面这样的功能。构建这种功能，传统上，手机厂商必须减少第二个摄像头，这就不会减少手机的成本，同时对现有用户早已取得的手机就不过于更容易取得这样的效果，通过新的算法，可以构建一些过去有可能十分便宜才能构建的效果。

语音处置和图像处理一样，语音处置是另一个被深度自学深刻印象转变的领域，语音辨识要比图像处理早的使用神经网络，产品方面，这些年智能音箱语音主力大行其道，其中一个相当大的原因就是深度自学算法把语音辨识和语音分解的技术门槛大大地减少了，过去有可能必须20—50个博士的团队才能已完成的任务，现在就iTunes一个现有模型自定义一下，就可以超过某种程度的效果。标准化的机器学习框架，可以协助到更加多的开发人员，研发出有合适自己特定应用于场景的语音应用于。

另外一个例子，机器翻译现在你可以用手机拍电影一张照片，手机软件可以自动的辨识出有图形中的文字，把文字翻译成另外一种语音，看起来非常简单的应用于，只不过是图像技术和机器翻译技术很大自然的融合。我很幸运地一年多前参予了谷歌内部，把过去的翻译成系统升级为神经网络为基础的系统，我们从这些图像可以看见，那次升级很大的减少了机器翻译的错误率，一些语言之间的翻译成，完全可以超过人工翻译成的效果。其他应用于利用深度自学技术，我们不仅可以大幅的提升有数产品的功能和性能，我们还研发了一些过去很难想象的新功能，比如说邮件自动恢复的功能，安卓上的邮箱软件可以分析用户的邮件，比如说你今天早上接到一份你朋友放的邮件，晚上是不是要到哪里睡觉，大多数情况只有三种有可能的问，比如说我会按时到或者是对不起我没空无法来，或者是我有空，但是我有可能必须晚一点到。

我们现在邮箱不会自动地给你获取三个自由选择，这样的话在路上看见邮箱，只要一键就可以已完成邮件的完全恢复，很大的便利了用户在手机上处置邮件的效率。TensorFlow 在其他领域的应用于通过前面我谈的很多应用于例子，我们可以看见一个标准化的深度自学框架，可以协助到现有很多互联网上的应用于提升他的智能水平，但是我们也可以看见，TensorFlow这样深度自学的框架，在其他许多领域也可以获得领域，比如说我们在伦敦的同事，过去两年希望前进AlphaGo在工作就十分归功于TensorFlow框架本身的协助，因为TensorFlow在利用超大计算机集群和近期加速器方面的反对，AlphaGo的团队可以更为专心于算法的研究。我们组也有人在做到智能医疗工作方面，由于TensorFlow是一个标准化的框架，他们可以很便利的器重现在有数的图像识别模型或者是自然语言处置的模型，针对特定的应用领域和数据，新的训练微调一下你的模型，就可以超过在检测视网膜恶性肿瘤任务上面多达95%的准确率，这个准确率早已多达了普通眼科专家91%的准确率。

在自动驾驶方面，我们在AlphaWaymo的同事，也在利用TensorFlow不断改进他们自动驾驶系统当中的深度模型，还包括对路况场景的拆分、雷达信号的处置等等。我们尤其难过的是通过把TensorFlow开源，我们知道利用深度自学技术的门槛大大降低了，过去两年我们看见很多和互联网没什么涉及的行业，也开始尝试利用深度自学的技术和方法，比如说这家公司是一个婴儿食品制作的公司，引入了TensorFlow训练好的智能系统，这个智能系统可以把婴儿食品的原料展开分类，把一些烂掉的苹果和香蕉更加精确的回避过来，这样可以大大精确的掌控婴儿食品的质量。我们也很激动的看见TensorFlow在计算机科学以外的科学研究上，也获得了用于，比如说上个月美国航天总署宣告一项研究成果，美国航天总署有个开普勒计划，他们的科学家和我们的同事联合开发了一个TensorFlow的模型，开普勒计划本身的目标是通过在望远镜持续大大地仔细观察太空中恒星亮度的变化，期望找到太阳系以外的行星系统，最后期望找到另外一个适合人类居住于的行星。

目前该计划早已累积了上百亿个仔细观察数据，几个月前这个TensorFlow的模型，协助科学家找到了2500光年以外的开普勒90星系中找到了第八颗行星。人们不仅云彩星空，同时我们在回首我们的地球，在这个应用于的例子里面，澳大利亚的科学家用TensorFlow研发的图像识别模型，在数万张海洋航拍图照片中，可以较慢并且精确的寻找必须维护的大型海洋哺乳类动物，比如说甜美的动物，就是澳大利亚附近的爱护动物海牛。类似于也有科学家，利用TensorFlow把语音处置技术中用鸟类维护上，他们在丛林里加装了很多话筒，收集鸟类的声音，模型就可以很精确的估计出有鸟类在一片森林中的数量，从而可以更为精准地对他们实施维护。我们组还有同事展开一些十分有意思的应用于，他们正在尝试利用深度自学的技术来建构音乐，很有意思的是，这些音乐创作的乐曲，还受到了专业DJ的认同。

跟国内公司的合作TensorFlow自2015年开源以来，我们仍然在希望投放，最近我们开始加大力度对中国市场的反对，比如说我们正在创建一个TensorFlow的中文网站，TensorFlow的开发者也构建了较慢的快速增长，同时，我们也看见多达1000多人参予了TensorFlow的研发，这是一个十分活跃的社区。另外，我们的数据也表明，到目前全球180多个国家，各种用户早已iTunes了多达1000万次的TensorFlow开发包，这指出TensorFlow的应用于研发也是十分广泛的。前在中国有大量的开发人员在持续的注目TensorFlow，事实上，我们在自己和众多的中国公司创建伙伴关系，大力的反对和协助他们更佳的用于TensorFlow。

比如说京东内部搭起了TensorFlow训练平台，用作研发图像、自然语言涉及的模型，并且把他们中用客服广告等领域。小米也在尝试类似于的技术路线，反对他们生态线上各种类似的应用于。网易的有道笔记、网易翻译成君也用于了TensorFlow视觉和语言的模型。

非常感谢我们的用户和合作伙伴对TensorFlow的对系统，TensorFlow也正在希望研发新的功能，在去年我们研发了TensorFlow一个模式，这个模式期望需要更为不利于前端的研发，便于调试，反对更加多动态的变为模式。在这里可以右边有一个很结尾的程序，在这个程序中，大家应当需要显现出一个模式最主要的特征就是在前端的程序流程中，可以更为必要的体现程序算法逻辑本身的流程，这一点我们坚信不会尤其有助较慢原形的研发和调试。另外，TensorFlow在过去一年中主要前进的项目是TensorFlowLite模式，这个模式是专门针对移动和嵌入式应用场景打造出的机器学习平台，它的目标是期望把部署机器学习在云端训练的模型，更为非常简单、高效的迁入到移动末端上展开部署。

最后，我们也在开发新一代深度自学硬件加速器TPU，去年我们宣告了第二代处理器，这个处理器可以超过180万亿次浮点运算的性能，有64千兆的内存，如果我们把这样的处理器构建在一起，搭起一个集群，这个集群我们估计到，可以非常容易分列到世界上超级计算机的前五名。目前我们正在内部各种产品研发中用于TPU二代，并且有计划在旋即的将来对外开放给公众用于。原创文章，予以许可禁令刊登。

下文闻刊登须知。

本文来源：QY球友会体育官方网站-www.yagelad.com