解析谷歌大脑的深度学习及TensorFlow的前世今生

从发布至今，一共有12000次+的代码提交；

100万以上的代码库下载；

大量的学校和商业机构将他们的研究和开发工作搭建在TF之上（伯克利、斯坦福、OpenAI、Snapchat）。

我们在软硬件平台的支持上也不断更新。数据显示，我们已经是GitHub上最受到欢迎的深度学习工具。

深度学习在Google产生了哪些重要的影响？

在语音识别上，我们推动词语识别的错误率降低了至少30%；

深度卷积神经网络使得直接对未标记的照片进行搜索成为可能；

我们用深度学习的方法，在街景照片中抓取识别文字；

同样用深度学习的方法，在卫星俯瞰图中检索太阳能的屋顶；

在医疗影像中，使用视网膜影像进行糖尿病的诊断；

机器人们现在能通过机器学习的方法进行环境和语义理解；RankBrian甚至被用于Google搜索中的排名优化；

在Inbox中，我们通过语义分析自动化地推荐可能的回复结果，当前Inbox中10%的回复都是通过推荐生成发送的；

在机器学习的其它方面：
在过去很的的模型都是从零开始训练获得的，这是非常低效的。我们希望通过xxx的方法来解决这个问题；我们的TPU将在，20个月之后进入大规模量产的阶段。

在我们的设想里，未来的搜索请求可能是这样的：请帮我查找所有关于深度学习和机器人的文献，并用德文总结出来。

我认为未来3 - 5年内，通过语音识别、语义理解的发展，机器人/自动驾驶汽车将会变得产业内非常重要的领域。