有关计算机视觉模型我极力推荐Pete Warden的这篇文章: TensorFlow for Poets（https://petewarden.com/2016/02/28/tensorflow-for-poets/）对初接触TensorFlow的人来说这篇文章是非常好的指南，从安装TensorFlow到利用一个小图像数据库适配一个视觉模型，都能对你有所帮助。

　　5.TensorFlow在多大程度上受到Theano的启发？

　　我们从我们的先驱DistBelief上学到了很多经验，也把这些经验应用于TensorFlow。我们观察过所有现有的深度学习框架，团队成员中也有一些这些框架包括Theano，Torch和Caffe的开发者。所以我们的设计在很多方面和Theano很像，例如，怎样支持自动识别，怎样使用符号表达式以及神经网络分层，尤其是基于基本数学和线性代数的层。

　　这些都是伟大的框架，我们很幸运能够有向他们学习的机会，并将推动该领域的发展。

　　6. 假如计算能力提升十倍，AI研究会受到怎样的影响？

　　这是个有趣的思考。我想目前阻碍AI发展的有因素有4点：

计算（Moore’s Law，CPUs，ASICs）

数据（构架好的数据，而不是诸如ImageNet上的网络数据）

算法（研究和想法，例如backprop，CNN，LSTM）

基础架构（Linux, TCP/IP, Git, ROS,PR2, AWS, AMT, TensorFlow, etc.）

　　你会发现计算只是其中的一个因素。所以我认为，就算计算能力提升10倍也不会有什么改变。虽然由于能快10倍地得到实验的反馈结果，我的迭代周期肯定会改善。我们目前的许多实验或许也能得到改善（不过不一定，因为很多模型会受到内存限制），所以现有的一些模型能得到好一些的结果。但除此之外，我认为不会立刻有很令人兴奋的改变。

　　我认为第4点目前来说是很大而且进展缓慢的限制因素，这就是为什么我很高兴看到OpenAI的出现，我们能真正向它投入资源，建立各种AI专门的基础架构。最后是第3点，我认为它是最重要的因素——就算我有了很强的计算能力，有了数据，也有理想的基础架构，我也不知道用它来运行什么算法才能得到能思考、能讲话、会学习、会探索等等的AI。

　　7. 深度学习方面有哪些尚未出现的有用工具？

　　作为一名程序员，我喜欢思考编程和实验的深度学习模型。所有应用于那些领域的工具也和这些领域相当关系密切。TensorFlow之于深度学习就像编程语言之于编程。完善这个生态系统还有很多工作要做。

　　例如，好的调试工具能帮助研究者理解为什么他们的模型不学习，好的实验管理能让他们更容易进行和分析更多的实验。

　　8. AI研究已有无数的挑战，谷歌大脑团队研究的主要问题是什么？

　　我们研究那些我们认为能对我们的使命有帮助的问题，我们的使命是造出有助于人类生活的智能机器。我们目前的一些研究包括：机器学习算法、机器人、医疗、以及自然语言理解。更多有关我们的研究领域和出版物的信息可以在官网中查阅：https://research.google.com/teams/brain/这里的每个领域都是为了更广泛地理解机器智能所做的艰苦挑战。

　　9. 从DistBelief 到TensorFlow中，最有价值的经验是什么？

　　当下的深度学习框架有三个关键基本要求，我会从DistBelief 到TensorFlow的演进讲起，回答这一问题。

可扩展性：DistBelief 被设计成可扩展的，使用了大量的CPU。举个例子，我们的cat paper 使用了16000核。2011年的时候，这是相当了不起的，但是随着硬件大发展和GPU、TPU的出现，对于我们的数据中心来说，支持其他的平台也变得重要起来。在如何在多台机器间进行扩展上，我们学习了很多，直播，比如，我们的Asynchronous SGD 和更近一些的Synchrnous SGD 都是从Disbelief 开始的，但是即使是在今天也会可以应用的。

灵活性：DisBelief 让我们可以扩展，但是，它的建立是在我们中大多数人学会充足的深度学习知识之前。它在真实的产品中运行的很好，这些情况下，在大规模的数据集中进行训练是至关重要的，但是， 在采纳新的概念时，就会变得很难用。前端的几层也进行了多次的升级，我们可以直接采用这些学习，把他们运用到从头开始重新设计TesorFlow上。

(责任编辑：本港台直播)