亮点
- 深度学习在语音、视觉、语言和语义等方面为计算机实现理解做出极大贡献
- 如果不考虑使用深度学习，很有可能是你的pre-trained模型或API太旧
- TensorFlow的好处
- 高度扩展的设计，更快的实验速度加速研究进程
- 容易分享模型，开发代码应用到可重用的效果
- 通过同一个系统把研究工作直接用于生产环境
打造智能产品，
必须让计算机理解——而理解不是一件简单的事情
虽然离终点还有距离，但研究人员做出了显著进展
- 为何要使用神经网络？
- 实际案例：运用神经网络解决真实世界问题
- TensorFlow 全面解析
- 应用举例
“谷歌大脑”项目始于2011年，专注于发展最先进的神经网络。初期重点是：
- 使用大数据集，以及
- 海量计算
尽可能拓展计算机的感知和语言理解能力
随着时间推移，深度学习在谷歌得到越来越广泛的应用
深度学习的潜力（目标）
实现跨领域通用表征
数据和简单的机器学习算法取代繁冗编码
深度学习在产业界和学术界的应用
语音识别
目标识别和检测
机器翻译
语言建模
语法分析
神经网络是一些从数据提炼的复杂函数，从一个空间输入转化为另一个空间的输出。
深度网络模型与大脑运作原理相似，但并非直接模拟神经元如何工作，而是一种简单抽象的神经元网络。人工神经元不会产生脉冲，只会生成数值。神经元的函数就是通过非线性函数计算输入的加权乘以权重之和。
最低层的神经元会查看像素的小块，更高层的神经元会看下层神经元输出再决定是否生产。Google目前有能力快速搭建和训练基于海量数据的模型，解决真实世界中的实际问题，在不同的平台（比如移动端、GPU、云端）部署生产模型。
学习算法：重点与误区（略）
如何构建能够真正理解这些原始数据的计算系统？
神经网络特点（略）
深度学习在谷歌的应用
语音识别
图像识别
图像搜索与分类
谷歌街景
描述图像
翻译团队写了一个App，使用计算机视觉来识别镜头中文字，再翻译成文本，最后在图片上覆盖翻译好的文字。模型足够小可以在所有设备上运行。
机器学习系统的理想特征
- 容易表达
- 可扩展
- 多平台适用
- 可重复使用
- 快速见效
概述（略）
初代历史（略）
GitHub 资源（略）
制作动机（略）
TensorFlow：表达高级机器学习计算（略）
计算可以用一张数据流图表示
我们输入数据、权重、误差以及标签，在不同节点进行不同的运算。Tensor 意味着N维数组，1 维时就是向量，2 维时就是矩阵；用图像可以可以用三维张量（行、列、颜色）表示更高维的数据流；Flow（流）意味着基于数据流图的计算。有许多运算（图中的节点）应用在数据流上。张量从图象的一端流动到另一端，这就是“TensorFlow”。“边”代表张量（数据），节点代表运算处理。
使用张量计算
使用状态计算
使用分布式计算
理想的移动端和嵌入式部署
- 高效率
- 低能耗
- 体积适中
使用低精度整数运算
补充资源
（1）使用云端API
（2）使用Pre-trained图像模型
（3）用你自己的图像数据训练模型
（4）开发你自己的机器学习模型
深度学习展望（略）
应用领域（略）
与机器人视觉结合
总结
- 深度学习在语音、视觉、语言和语义等方面为计算机实现理解做出极大贡献
- 如果不考虑使用深度学习，很有可能是你的pre-trained模型或API太旧
- TensorFlow的好处
- 高度扩展的设计，更快的实验速度加速研究进程
- 容易分享模型，开发代码应用到可重用的效果
- 通过同一个系统把研究工作直接用于生产环境
- 演讲题目：Large-Scale Deep Learning for Intelligent Computing Systems
- 资料来源：embedded-vision.com
更多阅读：
