谷歌昨日脑库宣布其学习机的版本1.0（ML）在TensorFlow开发者峰会在山景。ML是计算机编程与数据做出高度可靠的预测，而不是像Java，C＃或Python语言创建程序的方法。
ML是解决图像识别、语言翻译以及评论和推荐等问题的更有效的方法。谷歌、Facebook、IBM和微软已经在内部使用ML来解决排名搜索结果等问题。
在一年前谷歌有点基于其与专有的ML库，DistBelief经验发布TensorFlow。TensorFlow与约4000源代码目录包括TensorFlow模型描述文件中的谷歌使用。它在许多应用，包括谷歌搜索，地图和Gmail的垃圾邮件过滤器使用。
据谷歌高级研究员和人工智能的超级巨星杰夫·迪恩，TensorFlow是在Github上最流行的ML库。有些他列举的措施分别为：500个独立程序员开发并提交自己的软件，每月1000次的提交（新的应用代码模块和补丁），到5500个独立Github上库，在他们的名字Github上。多伦多，伯克利和斯坦福大学正在使用TensorFlow教学机器学习。
谷歌
创建原ML车型需要高度熟练的开发人员与线性代数，概率和ML许多开发商所不具备的高级培训。其他开发商，虽然可以应用它。有三种类型的ML应用程序，可以通过开发具有不同技能的应用。
专家点评：原ML车型为例，一个模式，学会了玩雅达利深Q比人类更好地被开发商用线性代数，概率和机器学习专业技能的少数建。
领域专家：还有第二个组，谁可以利用现有的模型，如盗梦空间v.3的图像识别与特定领域的专业知识应用开发人员解决在其专业领域的问题。在首脑会议上提到的情况下，该领域是医疗保健。盗梦空间V3识别许多不同类型的对象的图像中，可以接受再培训，以识别新类型的图像。
斯坦福大学博士学生布雷特Kuprel呈现启V3的一个应用程序，从皮肤癌和良性和恶性皮肤癌之间良性病变基于精确的分化带来的图像等于人类皮肤科医生，这是发表在里面自然杂志上个月。
谷歌的彭礼来呈现另一个应用程序，发表在里面美国医学协会杂志，成立之初即V3确诊失明，糖尿病性视网膜病变的主要原因，在比人的眼科医生稍微好一点的准确性。
应用开发商：几乎所有的网络和移动开发 - - 熟练使用RESTful API中的开发人员可以使用预先训练模型的功能添加到现有的应用程序。这方面的例子是语音到文本，语言翻译，和排名的意见。
抽象带来了ML更多的开发者和用例
TensorFlow 1.0版带来了更高级别的结构，使更多的开发具有不同功能的应用程序的具体使用情况下使用TensorFlow。
谷歌
以上对应于不同的显影剂技能图前面所解释的。专家工作在图层建立原车型在堆栈开始的工具和下方，在估计和Keras型号级别的顶部的堆栈和应用程序开发领域的专家在一箱表示模型。
可扩展的硬件平台
TensorFlow是一个软件平台，可扩展的，在不同规模的硬件平台，从试验到生产。
实验XLA编译; ML车型到使用不同硬件架构LLVM开源框架，用C ++编写抽象从特定平台，如X86，ARM，和Nvidia DSP编译器模块化和可重用的编译器和工具链技术的集合。
XLA旨在解决两个重要的硬件规模的考虑。第一，小模型建成后可对物联网和智能手机设备上运行来扩展自己的能力。高通公司通过移动从CPU到六角DSP的ML应用程序演示上的Snapdragon 820的8X的性能改进。虽然高通没有采用XLA编译器，它展示了智能手机的性能和电源配置中运行的优化模型ML的潜力。XLA已经应用到IBM的PowerAI分布和Movidius的Myraid2加速器至今
今天的硬件，虽然速度不够快，以满足大型ML车型的生产需求。它是研究不够快，但在某些情况下，周期时间为研究人员训练模型，得到的结果可能是几天，几周或一个月甚至逼近。研究能证明研究者的论文可以工作，但它是运用这个证明到生产上数百个数据中心服务器的数百名用户的十万或数百万用于运行一个完全不同的问题。2020欧洲杯预赛
ML的深度和广度的编程范例是新的。它要求容纳大型矩阵，向量，是非常宽容的降低精度的架构。多应用的优化的是一种用于在尚未优化作为硅的系统架构用于ML硬件架构此类型的计算的扩展能力。
谷歌和弗朗索瓦CHOLLET
Keras集成TensorFlow和弗朗索瓦CHOLLET证明是旨在使用最少的编码是模块化和可扩展深层神经网络的快速试验一个开源的神经网络库。CHOLLET演示了不到20行的所分析回答两个问题的视频Keras代码的应用程序，什么是女人在做什么？什么是她的衬衣颜色的？
第一个问题并非如此简单，因为ML模型必须确定她是否在包装或拆包。该演示展示了抽象的高层次和需要被写入到完成一个相当复杂的任务来回答这两个问题的软件数量有限。但它是非常有可能的，在这种生产或更大的ML车型的等待时间可能是太重了，一个给定的应用程序和模型将需要优化。
内的所述堆栈和Keras方案的范围之内，性能瓶颈可以通过与本地C ++代码重写所述约束代码解决。真正的大机型，像谷歌搜索排名中，无法在单GPU甚至多个GPU上运行，而是要在GPU上通过高速内部总线系统或光纤总线互连多个系统通信的互联银行运行。
在研究阶段验证过的ML模型可能不适于生产，特别是当需要几百毫秒的低延迟时，比如用户期望谷歌搜索对其查询的响应。应用更多的硬件将显著增加成本，而且可能仍然不能解决问题，因为大规模的ML构建者仍在等待在硅硬件架构中实现所需的能力。TensorFlow使用一组分布式TensorFlow api进行了优化，该api允许专家用c++编写本地代码，以跨系统总线和互连系统分发和协调工作负载。
是什么在它为谷歌为什么开源
谷歌建TensorFlow和社区周围有四个原因：
1）自主开发的代码贡献和新的使用案例，将延长TensorFlow的能力。尝试，因为它可能，不管福利有多好，在谷歌，不是所有的专业开发人员希望在谷歌工作，谁也想参与TensorFlow。而谷歌的ML的应用程序并不代表所有的潜在用途的情况下，将定义TensorFlow 2.0及更高版本。开源许可带来代码和视角。
2）谷歌兴旺来自开源社区和实习学生从最优秀的人才可以招募获得的人才源源不断。
3)。学术界和业界的人工智能和ML社区是高度开放的，共享和建立在彼此的研究上。如此开放以至于谷歌和它的竞争对手Facebook的研发团队互相为对方的论文撰稿。专有的方法会减缓创新。
4）谷歌可以通过改善其产品和提供TensorFlow在谷歌的云平台赚钱从社区的创新。
TensorFlow是一个平台，而谷歌的意图是建立它是作为普及Linux和大到Android系统。