模型最后的评估比专业医生对比，F-score为0.95，比专业医生的中位数0.91还高，这个太厉害了，相信不久会看到深度学习在医疗，尤其是这种病症图像分析上有很多惊人的成果。

　　Wide & Deep In Google Play

这项技术有段时间特别火，被用来做推荐相关的应用，首先解释下Memorization和Generalization:

模型的基本结构如下：

整个推荐会同事考虑到商品的相关性以及一些推理关系，例如老鹰会飞、麻雀会飞这类逻辑属于Memorization， 而说带翅膀的动物会飞这属于Genralization。

在具体的应用场景，如Google Play的App推荐：

这里构建一个如下图的网络来进行训练(joint training):

为啥要joint training，而不是直接用deep和wide的来做ensemble呢？

这里做这个给出一个解释，因为wide和deep会相互影响，最后精确度会高，并且model会比较小：

而上面提到的Wide & Deep Learning Model在Tensorflow下仅仅只需要10行代码来实现(突然想起了那个100美元画一条线的故事)：

　　Magenta: 音乐和艺术生成

这个项目讲的是利用深度学习来做一些艺术相关的工作，项目地址:https://github.com/tensorflow/magenta有一些很好玩的东西，如风格化，生成艺术家风格的音乐，利用深度学习模型模拟人类对艺术的想象力，创造出属于DeepLearning的艺术风格。

　　DeepMind团队所做的一些开发工作

DeepMind在被Google收购之后，也选择TensorFlow作为其深度学习相关研究的平台，然后做了很多很有意思的东西。

　　1. Data Center Cooling

这是Google在全世界各地若干个数据中心之一：

然后这群Google的小伙伴做了些什么事情呢？

Google的小伙伴利用强化学习，是的！你没有听错，应用在AlphaGo上的一种技术来做数据中心冷却设备的自动控制,并且效果十分显著：

　　2. Gorila

Gorial是DeepMind下的一个强化学习的框架，基于TensorFlow的高级API实现，很稳定，只需要更改其中极少部分代码就可以完成新的实验，支持分布式训练，十分高效，并且训练好的模型可以通过TensorFlow Serving快速地部署到生产环境。

　　3. AlphaGo

这个相信不说，大家都知道的，第一次在围棋上打败人类，然后升级版的Master 连续60盘不败，原理不说了，网络上很多分析文章，贴两张图聊表敬意：

　　4. WaveNet：语音音频合成

这里DeepMind的小哥演示了WaveNet的一些demo， 具体的可以参见(https://deepmind.com/blog/wavenet-generative-model-raw-audio/)来了解。贴一些效果对比：

　　XLA 及 Keras 与 TensorFlow 的融合

　　XLA与TensorFlow的结合

TensorFlow的各方面的优势都很突出，除了在速度这块有些不足，如果，TensorFlow能在速度上做进一步优化，会怎么样呢 ？

是的，Google的开发者也意识到这个问题，于是有了这个XLA， XLA的优势：

提高执行速度，编译子图会减少生命周期较短的op的时间，来至少TensorFlow执行是的时间；融合pipelined的op来减少内存的开销；

通过分析和调节内存需求，来减少很多中间结果的缓存；

减少定制化op的依赖，通过提供自动化融合底层ops的性能来达到原先需要手工去融合定制化op的性能；

(责任编辑：本港台直播)