|
在TensorFlow中有一些高兴的机器学习的算法实现，如LR， SVM、 Random Forest，在TF.Learn中有很多常用的机器学习算法的实现，用户可以很快的使用，而且API风格和scikit-learn很类似，而且在后续的video提到会有分布式的支持。 XLA: An Experimental TensorFlow Compiler TensorFlow XLA能够快速地将TensorFlow转成比较底层的实现（依赖device），后面也有talk详细讲述了XLA。
广泛的合作 Included in IBM's PowerAI Support movidus myriad 2 accelerator Qualcomm's Hexagon DSP (8倍加速，这里还请了Qualcomm的产品负责人来站台) TensorFlow In Depth TensorFlow在research和production上有很好的优势，如下图：
在模型训练上，1机8卡的性能无论是在一些标准的基准测试或者是真实数据上都有比较好的加速比：
当然在多机分布式训练上，能够达到64张GPU上58倍的加速比：
TensorFlow被一些顶尖的学术研究项目使用： Neural Machine Translation Neural Architecture Search Show and Tell 当然TensorFlow在生产上也被广泛应用：
如Mobile Google Translate，Gmail等等，也被国内外很多大厂使用做为模型训练的工具。
这些都是Jeff Dean在Keynote的内容讲到的内容，内容有点多，而且个人感觉这群google的小伙伴的ppt做的有点任性，不过谁叫他们牛逼呢，接下来几个talk比较有技术含量，相信各位会更加有兴趣。 有趣的应用案例 皮肤癌图像分类 首先我们说下两个数据：1. 医疗机构统计皮肤癌在早期的治愈率是98%；2. 在2020，预计全球有61亿台智能手机。 这位小哥做的工作是啥呢，他拿到了一批皮肤癌的数据，然后使用一个pretrained的inception-v3对数据来做一个inference：
最终结果：
而且在手机上很容易搭建，完成一个app用来做早起皮肤癌的检测：
最终相关成果发表在Nature，而且在Nature的封面，这是一个特别成功地通过计算机视觉及深度学习相关的技术，利用廉价的移动设备，能够很有效地检测是否有皮肤癌，大大节省了医疗检测的成本，相信在未来会有更多相关的技术出现。
利用AI预测糖尿病，预防失明 这个talk讲的前面也提到的通过视网膜图像预测糖尿病，预防失明：
通过视网膜图片预测糖尿病是一个困难的问题，即使是专业的医生，也很难去判断，但是深度学习却可以帮助我们：
通过收集适量的医疗数据，构建一个26layers的深度卷积网络，我们可以让网络自动学习这些图像中的feature，来获得较高的分类准确率，atv，而这个是人眼很难解决的。 这里有一个demo的演示：
|
