&img src=&/v2-17547fbedeebcdb56b6c4bb_b.jpg& data-rawwidth=&500& data-rawheight=&183& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-17547fbedeebcdb56b6c4bb_r.jpg&&&p&众所周知TensorFlow在发展的这一年多里，足足让那些Linux/Mac users骄傲了一把。为啥，人家官方只支持这两个系统！让我们占世界90%以上的Windows用户情何以堪！实验室只得买服务器装Linux，装Nvidia显卡，各种坑各种bug，说不完的血泪史，道不尽的忧愁殇。虽然之前几个月也开始支持windows的编译安装，但是各种工具各种配置，用过的人都知道，都是坑！&/p&&p&然而我们都明白，不以平台论输赢。一直默默等待，等待，相信这个优秀的工具会逐步完善起来。&/p&&p&盼望着，盼望着，这一天就真的来了。&/p&&p&&b&【本文最初写于Tensorflow 0.12rc发布时，目前为止（）1.0正式版已经发布。Google官方丰富了其对Linux、Mac及Windows的支持，本文的使命已经完成。对于各个版本的官方安装教程请见&a href=&/?target=https%3A//www.tensorflow.org/install/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&这里&i class=&icon-external&&&/i&&/a&】以下教程仍然可用，不过鉴于版本更新很频繁，故在这里不再更新地址。&/b&&/p&&p&&b&【简单粗暴版--不说废话】&/b&&/p&&p&1.安装Python 3.5和pip【可以通过安装&a href=&/?target=https%3A//www.continuum.io/downloads%23windows& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Anaconda 3&i class=&icon-external&&&/i&&/a&同时获得】；&/p&&p&2.设置环境变量；&/p&&p&3.一键安装（CPU版）：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&pip install --upgrade --ignore-installed tensorflow
&/code&&/pre&&/div&（GPU版）&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&pip install --upgrade --ignore-installed tensorflow-gpu
&/code&&/pre&&/div&&br&&p&&b&【正文完整版--更显才气】&/b&&/p&&p&目前TensorFlow在Windows下只支持Python 3.5版本，所以我之前的2.7果断换3.5。为了方便起见，还是用的Anaconda包一次性安装所有Python的常用库。Anaconda针对Python 2.7和3.5有不同的包，分别为Anaconda 2和Anaconda 3,下载地址为：&a href=&/?target=https%3A//www.continuum.io/downloads%23windows& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Download Anaconda Now!&i class=&icon-external&&&/i&&/a&&/p&&p&如下图，要选择3.5版本的哦！&/p&&p&&img src=&/v2-ad3cc1ea141e7fc4ca8ddc_b.png& data-rawwidth=&1385& data-rawheight=&705& class=&origin_image zh-lightbox-thumb& width=&1385& data-original=&/v2-ad3cc1ea141e7fc4ca8ddc_r.png&&图1 Anaconda下载页面&/p&&br&&p&下载完的Anaconda是一个可执行文件（exe）,直接一路确定即可安装。安装时会问你是否要把Anaconda添加到环境变量中，当然选是。安装完后，要到这台电脑-属性-高级系统设置-环境变量里，查看Path里是不是含有Anaconda，如果没有的话要补上，如下图2：&/p&&p&&img src=&/v2-d65a375c87db5af1e993_b.png& data-rawwidth=&1381& data-rawheight=&971& class=&origin_image zh-lightbox-thumb& width=&1381& data-original=&/v2-d65a375c87db5af1e993_r.png&&图2 设置Python 3 环境变量&/p&&br&&p&设置完环境变量要在系统控制台（俗称黑框）里检查Python是不是已经导入，如果没导入的话要重启电脑：&/p&&img src=&/v2-686a978f2bc5de5adab5a3_b.png& data-rawwidth=&613& data-rawheight=&162& class=&origin_image zh-lightbox-thumb& width=&613& data-original=&/v2-686a978f2bc5de5adab5a3_r.png&&&p&图3 验证环境变量&/p&&br&&p&然后就可以按照官方的教程：&a href=&/?target=https%3A//www.tensorflow.org/versions/r0.12/get_started/os_setup.html%23pip-installation-on-windows& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&tensorflow.org/versions&/span&&span class=&invisible&&/r0.12/get_started/os_setup.html#pip-installation-on-windows&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&进行pip安装了，然后，坑就来了！&/p&&p&前方高能！！！&/p&&p&官方提供了CPU和GPU版本的安装，都是我们熟悉的pip一键安装方式。然而，当我们真的把官方的代码复制执行时，却会报出cannot remove nonexistent setuptools的错误！（错误截图我没有了，因为我安装正确了啊）就是说，你已经装了setuptools需要remove，但是又找不到在哪remove，这不是瞎搞么？[当然，如果不出错最好！开心！然而旅途总不是平坦。。。]&/p&&p&然后通过Google错误，找到了解决方式：&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&pip install --upgrade --ignore-installed tensorflow
&/code&&/pre&&/div&就是那个--ignore-installed！一定要写这个！官方的版本是没有这个的！&p&（我的这个是CPU版本的，没钱买不起英伟达显卡啊！大家可以捐助一下我）&/p&&p&然后就可以飞了！&/p&&p&&img src=&/v2-3bec3a2afe0f_b.png& data-rawwidth=&1119& data-rawheight=&490& class=&origin_image zh-lightbox-thumb& width=&1119& data-original=&/v2-3bec3a2afe0f_r.png&&图4 TensorFlow在Windows上安装成功&/p&&br&&p&从此之后，山河旧貌换新颜，喜上眉梢，花好月圆人团圆！&/p&
众所周知TensorFlow在发展的这一年多里，足足让那些Linux/Mac users骄傲了一把。为啥，人家官方只支持这两个系统！让我们占世界90%以上的Windows用户情何以堪！实验室只得买服务器装Linux，装Nvidia显卡，各种坑各种bug，说不完的血泪史，道不尽的忧愁殇。…
&p&这两个现象并不矛盾，人工智能整个领域不了解不敢说大话，但至少在我的研究领域（深度学习+计算机视觉），作为AI的一个分支子方向，中国毫无疑问是领先梯队的国家之一，可能就产业的角度来讲应该是仅次于美国吧。&/p&&p&造成资料多是国外的是因为，&b&AI起源于国外，国外开始AI研究的时候，我国的科学家们还在造核弹求生存呢，根本没有研究AI的条件，&/b&但是当今在拥有和国外媲美的研究条件的机构中，中国还是为CV&DL领域做出很多贡献。&/p&&p&我们来看下中国大陆+港澳台的研究机构，以及全世界中国国籍的华人在CV&DL领域取得了多少成绩，在外的中国国籍的华人即使未来不回祖国，他们目前也是我们中国的一部分。&/p&&p&1、&b&论文数量&质量&/b&。每年CV领域中国作者贡献的论文数不胜数，你去看下arxiv每天的论文感觉有一小半都是中国人的名字，CVPR作为质量代表，记得看到过一个统计是30-40%的论文属于中国人，并且每年都在上涨，可能有人会说中国论文灌水，我不否认中国的学术圈会滋生论文灌水的现象，但是中国的论文=灌水的论文是不是太有色眼镜了？09,12,16三年CVPR的best paper都是中国人，前几天刚结束的ICLR2017的两篇best paper有一篇也是中国人。&/p&&p&2、&b&深度学习框架&/b&。中国人开发的深度学习框架目前开源的有贾扬清的Caffe，李沐的mxnet，董豪的tensorlayer，百度的paddle；商汤、旷视、腾讯等等AI公司也都有自己的框架未开源或者计划开源；你去看下有哪个国家能像中国一样能把官方文档和一些教程翻译成中文这么全面，说实话有能力做学术研究的人更愿意看英文，翻译成中文是为了让更多基础差一点的也能从事研究，我记得吴恩达就曾经调侃的说过一句，任何AI领域的新成果，睡一觉第二天就能在中国看到中文版本。&/p&&p&3、&b&AI企业和高校。&/b&BAT三家大公司的研究院都开到美国去抢人才了，微软亚研院（基本等于微软中国研究院）、港科大港中文、清华北大中科院等哪个没有世界领域知名的AI研究员，清北很多低年级的本科生都让我看到了很强的研究实力，让我感觉同期的自己就是个渣渣。前几天评选的亚洲五大AI创业公司有四个是中国的，百度开源无人车的代码也同样是震惊世界。&/p&&p&4、&b&竞赛&/b&。新闻： ImageNet 2016的结果揭晓，冠军几乎被中国团队包揽：CUImage（商汤和港中文），Trimps-Soushen（公安部三所），CUvideo（商汤和港中文），HikVision（海康威视），SenseCUSceneParsing（商汤和港中文），NUIST（南京信息工程大学）分别拿下多个项目的冠军。 再说下民间的kaggle比赛，前不久刚结束奖金额100万美元的肺癌检测竞赛，冠军就是土生土长土研究的中国人，kaggle比赛的排行榜里随随便便就可以看到中国ID。&/p&&p&&b&虽然不得不承认我们AI起步略晚，也就近几年赶时髦似的突然有了很多成果，缺乏一些代表性的原创工作，所以教程基本都是国外的，但是并不能否认我们中国在AI领域上的实力。但是比较可惜的是往往很多著名的成果虽然出自中国人，但是产地却不是在中国，研究环境和研究资源确实国外积累的比我们要好。&/b&不过我们还是需要自信一点，和最顶尖的国家存在差距但也应该算是第一梯队里面，我们中国自古以来想干一件大事最后都能成功。美国，加拿大，英国德国瑞典等几个欧洲国家、日本姑且也加个韩国，包括中国都算是领先集团里的了，不过这些国家和宇宙AI第一强国朝鲜还是有巨大差距的，毕竟人家都有百万层的神经网络了 &a href=&///?target=http%3A//nsjk.in/56fe41b8c406d& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&In Two Moves, AlphaGo an Lee Sedol Redefined the Future&i class=&icon-external&&&/i&&/a&&/p&&br&&img src=&/v2-3eefa8ab4_b.jpg& data-rawwidth=&611& data-rawheight=&1074& class=&origin_image zh-lightbox-thumb& width=&611& data-original=&/v2-3eefa8ab4_r.jpg&&
这两个现象并不矛盾，人工智能整个领域不了解不敢说大话，但至少在我的研究领域（深度学习+计算机视觉），作为AI的一个分支子方向，中国毫无疑问是领先梯队的国家之一，可能就产业的角度来讲应该是仅次于美国吧。造成资料多是国外的是因为，AI起源于国外，…
&img src=&/v2-eedf347faba0a72fbed60d_b.jpg& data-rawwidth=&450& data-rawheight=&461& class=&origin_image zh-lightbox-thumb& width=&450& data-original=&/v2-eedf347faba0a72fbed60d_r.jpg&&&img src=&/v2-23ffba4aa9ed317d_b.jpg& data-rawwidth=&500& data-rawheight=&157& class=&origin_image zh-lightbox-thumb& width=&500& data-original=&/v2-23ffba4aa9ed317d_r.jpg&&&br&&p&随着人工智能的崛起，一个叫ImageNET视觉识别的挑战赛（ILSVRC）在近几年里备受瞩目。&/p&&p&这个挑战赛要求参赛团队使用&strong&ImageNet——全球最大的图像识别数据库&/strong&，测试他们系统的运行情况。&/p&&br&&img src=&/v2-adba3d443f8cac3fda4bf91b5ee76972_b.jpg& data-rawwidth=&640& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-adba3d443f8cac3fda4bf91b5ee76972_r.jpg&&&br&&p&图：ILSVRC&/p&&p&而这个&strong&计算机视觉领域的“奥赛”&/strong&，也一直吸引着该领域的顶级研究机构（包括&strong&微软、谷歌、百度&/strong&等）为之争得头破血流。&/p&&br&&p&在2015年，&strong&百度还涉嫌在测试过程中作弊，被ImageNet挑战赛提出禁赛一年。&/strong&&/p&&br&&br&&img src=&/v2-bbc6f85eb872c5bb1ae3_b.jpg& data-rawwidth=&606& data-rawheight=&224& class=&origin_image zh-lightbox-thumb& width=&606& data-original=&/v2-bbc6f85eb872c5bb1ae3_r.jpg&&&br&&p&而提起ImageNet，就不得不说它的背后的缔造者——&strong&李飞飞。&/strong&&/p&&br&&p&她不但是这场挑战赛背后的&strong&“美女考官”&/strong&，还是ImageNet这个全球最大图像识别数据库的&strong&主创者。&/strong&&/p&&br&&img src=&/v2-eedf347faba0a72fbed60d_b.jpg& data-rawwidth=&450& data-rawheight=&461& class=&origin_image zh-lightbox-thumb& width=&450& data-original=&/v2-eedf347faba0a72fbed60d_r.jpg&&&br&&p&图;李飞飞&/p&&br&&p&&strong&李飞飞，这三个字几乎是AI（人工智能）界无人不晓的名字。&/strong&&/p&&br&&br&&p&她不仅是&strong&斯坦福AI实验室主任&/strong&，还是&strong&斯坦福大学的终身教授。&/strong&&/p&&p&&strong&在顶级期刊上，她的高质量文章就有100篇以上，引用量更是高达次。&/strong&&/p&&br&&br&&p&2015年入选&strong&“世界百大思想者”&/strong&，2016年她还被美国评为&strong&“年度杰出移民”&/strong&之一，以前获此殊荣的还有爱因斯坦、基辛格等&/p&&br&&img src=&/v2-a9dee4fcab46_b.jpg& data-rawwidth=&450& data-rawheight=&474& class=&origin_image zh-lightbox-thumb& width=&450& data-original=&/v2-a9dee4fcab46_r.jpg&&&br&&br&&p&前一阵子，谷歌宣布李飞飞成为谷歌云计算首席科学家，也在业界更是引起了不少轰动。&/p&&br&&p&此前，李飞飞一直都专注于实验室，与业界联系不深。&/p&&p&她现在走出实验室的举动，让许多人都对人工智能的发展了充满信心。&/p&&br&&img src=&/v2-e011c8de6ce_b.jpg& data-rawwidth=&492& data-rawheight=&507& class=&origin_image zh-lightbox-thumb& width=&492& data-original=&/v2-e011c8de6ce_r.jpg&&&br&&br&&p&&strong&然而，这位站在金字塔顶端的女科学家背后，却有着一段鲜为人知的励志人生。&/strong&&/p&&p&&strong&早年的她竟然还有过清洁工、中餐馆收银员、帮人遛狗、开干洗店等工作经验。&/strong&&/p&&br&&p&...&/p&&br&&br&&p&1976年出生的李飞飞在四川长大。&/p&&p&16岁时，她便随父母远渡重洋来到充满希望的美国，落户在新泽西洲的Parsippany小镇。&/p&&br&&br&&p&但李飞飞并不是富二代，父母都是清贫的知识分子。&/p&&p&&strong&初到美国，对英语一窍不通更是全家最大的阻力。&/strong&&br&&br&&/p&&p&光是择校问题，她就奔波了好几个月，费了九牛二虎之力才得以在当地一所排名中游的学校上学。&/p&&br&&br&&img src=&/v2-bda7d9e471ef2abfc659a3_b.jpg& data-rawwidth=&600& data-rawheight=&337& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-bda7d9e471ef2abfc659a3_r.jpg&&&br&&p&图：李飞飞一家&br&&/p&&p&那时，爸爸去帮别人修相机，妈妈就去当收银员。&/p&&p&但这类工作的收入，完全不足维持生活和支付她的学费。&/p&&br&&p&所以&strong&到美国后的很长一段时间，李飞飞生活的关键词就是“谋生”二字。&/strong&&/p&&p&在唐人街附近的很多零工，包括收银员、清洁工、服务生等她都做过。&/p&&br&&img src=&/v2-dc9_b.jpg& data-rawwidth=&550& data-rawheight=&309& class=&origin_image zh-lightbox-thumb& width=&550& data-original=&/v2-dc9_r.jpg&&&br&&p&图;高中时期的李飞飞&br&&/p&&br&&p&然而在打工之余，李飞飞却还要应对两年后的美国大学入学。&/p&&br&&p&作为新一代移民学子，她不但要迅速掌握英语，还要拿出一份极其优秀的成绩单，才能考上好的大学。&/p&&br&&p&那时候，打工和学习几乎占满了她的全部生活。&/p&&p&最辛苦时，一天只睡不到4个小时。&/p&&br&&img src=&/v2-daed488147dd_b.jpg& data-rawwidth=&600& data-rawheight=&337& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-daed488147dd_r.jpg&&&br&&p&图：1995年，Parsippany镇上关于李飞飞的报道&br&&/p&&br&&p&&strong&只要你想，全世界都会为你让路。&/strong&&/p&&p&凭着这股毅力，这位华裔少女收到了普林斯顿大学计算机系的offer，还是提供全额奖学金的那种。&/p&&br&&p&当时这个消息在小镇上算是个大新闻，还有报纸专门刊登了她奋斗的故事，称她的&strong&“美国梦”成真啦！&/strong&&/p&&br&&img src=&/v2-881ff15b0e8de4f9bb3df_b.jpg& data-rawwidth=&600& data-rawheight=&337& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-881ff15b0e8de4f9bb3df_r.jpg&&&br&&p&图：李飞飞在普林斯顿大学&/p&&br&&p&在普林斯顿大学她接触到了大量优秀的人才，这对她而言更是莫大的鼓舞。&/p&&br&&br&&p&&strong&然而，在大学她依然不改拼命三郎的性格。&/strong&&/p&&p&看着父母还是做着入不敷出的零工，李飞飞决意借钱买下了一家洗衣店，交给父母经营。&/p&&br&&p&&strong&从此，她也就过上了周一到周五在普林斯顿拼命学习，周六日则赶回家中，继续当洗衣妹的日子。&/strong&&/p&&br&&br&&img src=&/v2-a7cf4ca8d1f7dc0f03eb95_b.jpg& data-rawwidth=&600& data-rawheight=&338& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-a7cf4ca8d1f7dc0f03eb95_r.jpg&&&br&&p&她不但独立，浑身上下更是散发着对生活的热爱。&/p&&br&&p&&strong&“我爱普林斯顿，也非常爱我的洗衣店”&/strong&&/p&&p&&strong&“我觉得辛苦不算什么，因为我父母也同样在努力工作。我们一家人只是为了好好地生活。”&/strong&&/p&&br&&br&&img src=&/v2-daac253e8dfce15e5edb41_b.jpg& data-rawwidth=&479& data-rawheight=&387& class=&origin_image zh-lightbox-thumb& width=&479& data-original=&/v2-daac253e8dfce15e5edb41_r.jpg&&&br&&p&1999年，李飞飞从普林斯顿大学毕业。&br&&/p&&p&然而，那时的她却拒绝了多家金融公司的工作邀请。&/p&&br&&p&在父母的支持下，开始追随自己的内心，毅然踏上一年的&strong&西藏之路研究藏医。&/strong&&/p&&br&&img src=&/v2-30ef7bbc3e3f16a3811a63_b.jpg& data-rawwidth=&640& data-rawheight=&360& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-30ef7bbc3e3f16a3811a63_r.jpg&&&br&&br&&p&图：李飞飞在西藏的日子&br&&/p&&br&&p&完成了这一梦想后，她再次拒绝了华尔街的高薪工作，开始了&strong&下一个梦想——读博士。&/strong&&/p&&br&&br&&p&然而，在读博期间，她的母亲却不幸得了癌症，之后又中风。&/p&&p&生活的重担几乎压得她喘不过气来。&br&&/p&&br&&br&&img src=&/v2-1fb230f83_b.jpg& data-rawwidth=&640& data-rawheight=&427& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-1fb230f83_r.jpg&&&br&&br&&p&&strong&“人生最难的不就是，如何发挥自己最大的潜能，同时兼顾自己所身负的责任，然后又必须忠于自己的内心吗？”&/strong&&/p&&br&&p&而李飞飞用自己的行动告诉我们，她做到了！&/p&&br&&br&&p&...&/p&&br&&br&&p&在博士毕业后，她进入了斯坦福大学AI实验室，选择了当时&strong&不被看好的研究方向——计算机视觉识别领域。&/strong&&/p&&br&&p&通俗的说，就是拿一张图片，让计算机认出来这张图片所包含的内容。&/p&&p&比如，你告诉计算机，“猫”是由圆脸、胖身子、两只尖耳朵和一条长尾巴组成的东西。&/p&&img src=&/v2-ca42d120c4df52aad42dcfbb27b676f4_b.jpg& data-rawwidth=&600& data-rawheight=&323& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-ca42d120c4df52aad42dcfbb27b676f4_r.jpg&&&br&&br&&p&然而在现实生活中，猫就有成千上万个品种，就算是同一只猫，也能摆出上百种姿势。&/p&&p&如果遇到一些骨骼清奇的猫，换个姿势计算机估计就懵逼了。 &/p&&br&&br&&img src=&/v2-42ce085dedd52_b.jpg& data-rawwidth=&559& data-rawheight=&480& class=&origin_image zh-lightbox-thumb& width=&559& data-original=&/v2-42ce085dedd52_r.jpg&&&br&&p&那个时候，图像识别已经走过了20个年头。&br&&/p&&p&但全世界能够识别的物体也不过4到20种。&/p&&br&&p&然而大千世界这么多的物品，如果计算机只能识别豹子、飞机、人脸和汽车这几样是远远不够的。&/p&&br&&br&&p&&strong&面对图像识别如此匮乏的“词汇量”，李飞飞产生了一个疯狂的想法。&/strong&&/p&&p&&strong&她拿出一本字典，决定要让图像识别涵盖到字典里的每一个词条。&/strong&&/p&&br&&br&&img src=&/v2-bbff602dede_b.jpg& data-rawwidth=&452& data-rawheight=&324& class=&origin_image zh-lightbox-thumb& width=&452& data-original=&/v2-bbff602dede_r.jpg&&&br&&p&图：李飞飞与导师&br&&/p&&br&&p&当她把这个想法告诉其他教授时，大家都纷纷劝她换个方向，因为研究这个是&strong&“拿不到终生教授”&/strong&的。&/p&&br&&p&她还找了好几个教授想要寻求合作，也全然被拒绝了，都认为&strong&“看不到结果”，“不值得”。&/strong&&/p&&br&&p&但是李飞飞却没有想那么多，先别管“终生教授”的事，首先要做好自己认为重要的事情。&/p&&br&&br&&img src=&/v2-dd22c02dfefbd2735b05ccd7_b.jpg& data-rawwidth=&534& data-rawheight=&300& class=&origin_image zh-lightbox-thumb& width=&534& data-original=&/v2-dd22c02dfefbd2735b05ccd7_r.jpg&&&br&&p&图：李飞飞在斯坦福大学授课&br&&/p&&br&&p&刚开始时，李飞飞将很大部分的精力都放在算法的优化上，然而这并没有带来太大的突破。&/p&&p&突然有一天，&strong&一个非常简单但却非常有冲击力的想法，使李飞飞找准了方法。&/strong&&/p&&br&&br&&p&她想，没人教婴儿怎么“看”，也没有人告诉他们“猫”的特征。&/p&&p&但是他们却能够很快的知道这就是猫，无论什么品种或什么形态。&/p&&br&&img src=&/v2-0f12d47cf7a376ddcab08be5e892361e_b.jpg& data-rawwidth=&392& data-rawheight=&498& class=&content_image& width=&392&&&br&&br&&p&因为人类的眼睛就好像一个生物照相机，每200毫秒就能获取一幅图片。&br&&/p&&p&一个三岁的孩子就已经见过上亿副图片了，能分辨图片当然不在话下。&/p&&br&&br&&p&&strong&所以要让计算机学会“识图”，关键是在于训练量——让计算机看更多的图片。&/strong&&/p&&br&&br&&img src=&/v2-e62fff659bc_b.jpg& data-rawwidth=&504& data-rawheight=&316& class=&origin_image zh-lightbox-thumb& width=&504& data-original=&/v2-e62fff659bc_r.jpg&&&br&&br&&p&从2007起，李飞飞与团队便从互联网上下载了近&strong&10亿幅&/strong&图片。&/p&&br&&p&在这之后便是对这些图片进行分类、打上标签，为计算机提供学习用的“题库”，而这个“题库”就是现在的&strong&ImageNet。&/strong&&/p&&br&&img src=&/v2-20415babf211e0da0c344e99973faf49_b.jpg& data-rawwidth=&569& data-rawheight=&254& class=&origin_image zh-lightbox-thumb& width=&569& data-original=&/v2-20415babf211e0da0c344e99973faf49_r.jpg&&&br&&p&然而，当他们给图片打标签打了几个月后，研究经费很快用完了。&/p&&p&而且按照这个速度，至少得十几年才能完成目标，因为图片实在是太多了。&/p&&br&&br&&p&但李飞飞却从来没想过放弃，在最困难时，她甚至还想重操旧业开洗衣店，为研究筹集经费呢。&/p&&br&&br&&img src=&/v2-2cab8fffe4f0b6abd22b3a_b.jpg& data-rawwidth=&400& data-rawheight=&245& class=&content_image& width=&400&&&br&&p&正当大家一筹莫展时，他们遇到了美国最大电商平台——&strong&亚马逊。&/strong&&/p&&p&&strong&当然不是在上面买书，而是和亚马逊的众包平台合作。&/strong&&/p&&br&&br&&p&通过众包平台，李飞飞在网上雇佣到了来自&strong&167个国家&/strong&的&strong&5万人&/strong&，为这十亿张备选图片筛选、排序、打标签。&/p&&p&当时的李飞飞，一度是这个众包平台上最大雇主。&/p&&br&&img src=&/v2-6e8adeddd962de12a6621194_b.jpg& data-rawwidth=&640& data-rawheight=&363& class=&origin_image zh-lightbox-thumb& width=&640& data-original=&/v2-6e8adeddd962de12a6621194_r.jpg&&&br&&br&&p&到2009年，ImageNet数据库就包含了&strong&1500万&/strong&张照片，涵盖了&strong&20000&/strong&多种物品。&br&&/p&&p&&strong&回想在2006年那4到20种物品，ImageNet数据库无论在质量还是数量上，都是空前的。&/strong&&/p&&br&&p&然而，&strong&最重要的是，ImageNet这个如此庞大的图片数据库竟然是免费的。&/strong&&/p&&p&这就意味着，全球所有致力于计算机视觉识别的团队，都能从这个题库里面拿“试题”，来测试自家算法的准确率。&/p&&br&&img src=&/v2-8b0b5c1a5c5dc593c89bc8_b.jpg& data-rawwidth=&600& data-rawheight=&323& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-8b0b5c1a5c5dc593c89bc8_r.jpg&&&br&&p&图：ImageNet挑战赛的机器错误率， 七年来从28%降到了3.6% ，比人眼识别的错误率5.1%还要低。&br&&/p&&br&&p&为了激发各界对计算机视觉研究的热情，李飞飞每年都会举行一场ImageNet视觉识别挑战赛。&/p&&br&&p&&strong&在这场考试中，无论挑战者的输与赢都代表着一次新的发展。&/strong&&/p&&br&&p&如果考生能轻易答对“试题”，这就说明了视觉识别技术的更上一层楼。&/p&&p&但如果“试题”难倒了考生，也不用担心，这也意味着算法的突破口就在这。&/p&&br&&br&&img src=&/v2-5ae1efef6b8c806cbee3_b.jpg& data-rawwidth=&480& data-rawheight=&224& class=&origin_image zh-lightbox-thumb& width=&480& data-original=&/v2-5ae1efef6b8c806cbee3_r.jpg&&&br&&p&不过，对于现在一度“过热”的人工智能，李飞飞也一直在强调“人工智能现在越火，越需要有冷静做研究的人”&/p&&br&&p&她说&strong&“我做研究的心得就是，眼睛看到的前方应该是比较空旷的。如果你眼睛看到的前方是热闹的，那这个方向就不是最好的研究方向。而空旷的地方一般都不是热点，因此你必须找准自己的焦点”&/strong&&/p&&br&&img src=&/v2-b136c1103f_b.jpg& data-rawwidth=&740& data-rawheight=&401& class=&origin_image zh-lightbox-thumb& width=&740& data-original=&/v2-b136c1103f_r.jpg&&&br&&br&&p&图：李飞飞首度亮相谷歌云大会&/p&&br&&p&关于未来的AI开发，李飞飞认为不但要在学术上还要结合工业上的开发。&/p&&br&&p&因为AI的最终目的就是服务于人类，这也是李飞飞加入谷歌的原因。&/p&&p&为的就是拉近AI与人类日常生活的距离，使AI&更接地气&。&/p&&br&&img src=&/v2-6ba7ddccb988e_b.jpg& data-rawwidth=&717& data-rawheight=&655& class=&origin_image zh-lightbox-thumb& width=&717& data-original=&/v2-6ba7ddccb988e_r.jpg&&&br&&p&图：谷歌街景搜集的车辆数据&/p&&br&&p&在今年2月末，李飞飞又发表了最新的论文：&strong&《用深度学习和谷歌街景估算美国人口结构》。&/strong&&/p&&br&&p&文章主要论述了如何将谷歌街景搜集来的机动车辆数据，结合机器学习算法。&/p&&p&从而估算出本地区人口的特征和组成，甚至这一地区居民的政治倾向。&/p&&br&&br&&img src=&/v2-9d80a1afe4e7c46bc18e370f705e3a70_b.jpg& data-rawwidth=&600& data-rawheight=&450& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-9d80a1afe4e7c46bc18e370f705e3a70_r.jpg&&&br&&p&在李飞飞看来，目前的图像识别和人工智能，还相当于一个牙牙学语的3岁孩童。&/p&&p&而3岁到10岁的过程，才是人工智能的难点和关键。&/p&&br&&p&就算李飞飞说图像识别的路还有很远，但也完全不妨碍我们畅想未来。&/p&&br&&br&&img src=&/v2-b817c4e47b3ae24f0e672c8_b.jpg& data-rawwidth=&550& data-rawheight=&367& class=&origin_image zh-lightbox-thumb& width=&550& data-original=&/v2-b817c4e47b3ae24f0e672c8_r.jpg&&&br&&p&去超市买东西，直接“刷脸”付款；&/p&&p&在追击违法分子上，可能罪犯刚一上街就已经被一双神秘的眼睛锁定；&br&&/p&&br&&br&&img src=&/v2-d4c9a2ac8bfcb9ee87c49c8d_b.jpg& data-rawwidth=&360& data-rawheight=&202& class=&content_image& width=&360&&&br&&br&图gif：完全不用看红绿灯的“未来式过马路”&br&&p&在未来交通上，人们不用自己抓方向盘，也有“老司机”带你飞；&/p&&p&在医疗上，医生和护士会多了一双永远不用休息的眼睛，帮忙诊断和照顾病人；&/p&&br&&br&&img src=&/v2-569f8d88cdfa3d4ae73582_b.jpg& data-rawwidth=&600& data-rawheight=&333& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&/v2-569f8d88cdfa3d4ae73582_r.jpg&&&br&&p&在TED演讲的结尾，李飞飞表示：&/p&&p&她现在所有的追求，就是赋予计算机视觉智能， 并为Leo（她的儿子）和这个世界， 创造出更美好的未来。&/p&&br&&p&这个集才华与美貌于一身的女子，能把人类带到哪个未知领域，我们也翘首以待。&/p&
随着人工智能的崛起，一个叫ImageNET视觉识别的挑战赛（ILSVRC）在近几年里备受瞩目。这个挑战赛要求参赛团队使用ImageNet——全球最大的图像识别数据库，测试他们系统的运行情况。 图：ILSVRC而这个计算机视觉领域的“奥赛”，也一直吸引着该领域的顶级研…
&img src=&/v2-a4c0982fcb3da0a275edc5b_b.jpg& data-rawwidth=&1440& data-rawheight=&1080& class=&origin_image zh-lightbox-thumb& width=&1440& data-original=&/v2-a4c0982fcb3da0a275edc5b_r.jpg&&&blockquote&&p&&em&在我们日常生活中所用到的推荐系统、智能图片美化应用和聊天机器人等应用中，各种各样的机器学习和数据处理算法正尽职尽责地发挥着自己的功效。本文筛选并简单介绍了一些最常见算法类别，还为每一个类别列出了一些实际的算法并简单介绍了它们的优缺点。&/em&&/p&&/blockquote&&img src=&/v2-7c6c25406abcba766ed618c226a49f92_b.png& data-rawwidth=&1151& data-rawheight=&703& class=&origin_image zh-lightbox-thumb& width=&1151& data-original=&/v2-7c6c25406abcba766ed618c226a49f92_r.png&&&br&&p&&a href=&/?target=https%3A//static.coggle.it/diagram/WHeBqDIrJRk-kDDY& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&static.coggle.it/diagra&/span&&span class=&invisible&&m/WHeBqDIrJRk-kDDY&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&br&&br&&p&目录&/p&&br&&ul&&li&&p&正则化算法（Regularization Algorithms）&/p&&/li&&li&&p&集成算法（Ensemble Algorithms）&/p&&/li&&li&&p&决策树算法（Decision Tree Algorithm）&/p&&/li&&li&&p&回归（Regression）&/p&&/li&&li&&p&人工神经网络（Artificial Neural Network）&/p&&/li&&li&&p&深度学习（Deep Learning）&/p&&/li&&li&&p&支持向量机（Support Vector Machine）&/p&&/li&&li&&p&降维算法（Dimensionality Reduction Algorithms）&/p&&/li&&li&&p&聚类算法（Clustering Algorithms）&/p&&/li&&li&&p&基于实例的算法（Instance-based Algorithms）&/p&&/li&&li&&p&贝叶斯算法（Bayesian Algorithms）&/p&&/li&&li&&p&关联规则学习算法（Association Rule Learning Algorithms）&/p&&/li&&li&&p&图模型（Graphical Models）&/p&&/li&&/ul&&br&&p&&strong&正则化算法（Regularization Algorithms）&/strong&&/p&&br&&img src=&/v2-5262baa5b332acb8b3b2_b.png& data-rawwidth=&199& data-rawheight=&227& class=&content_image& width=&199&&&br&&p&它是另一种方法（通常是回归方法）的拓展，这种方法会基于模型复杂性对其进行惩罚，它喜欢相对简单能够更好的泛化的模型。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&岭回归（Ridge Regression）&/p&&/li&&li&&p&最小绝对收缩与选择算子（LASSO）&/p&&/li&&li&&p&GLASSO&/p&&/li&&li&&p&弹性网络（Elastic Net）&/p&&/li&&li&&p&最小角回归（Least-Angle Regression）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&其惩罚会减少过拟合&/p&&/li&&li&&p&总会有解决方法&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&惩罚会造成欠拟合&/p&&/li&&li&&p&很难校准&/p&&/li&&/ul&&br&&p&&strong&集成算法（Ensemble algorithms）&/strong&&/p&&br&&img src=&/v2-2a081ed7fa4f74fa305aa37cac983164_b.png& data-rawwidth=&204& data-rawheight=&230& class=&content_image& width=&204&&&br&&p&集成方法是由多个较弱的模型集成模型组，其中的模型可以单独进行训练，并且它们的预测能以某种方式结合起来去做出一个总体预测。&/p&&br&&p&该算法主要的问题是要找出哪些较弱的模型可以结合起来，以及结合的方法。这是一个非常强大的技术集，因此广受欢迎。&/p&&br&&ul&&li&&p&Boosting&/p&&/li&&li&&p&Bootstrapped Aggregation（Bagging）&/p&&/li&&li&&p&AdaBoost&/p&&/li&&li&&p&层叠泛化（Stacked Generalization）（blending）&/p&&/li&&li&&p&梯度推进机（Gradient Boosting Machines，GBM）&/p&&/li&&li&&p&梯度提升回归树（Gradient Boosted Regression Trees，GBRT）&/p&&/li&&li&&p&随机森林（Random Forest）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&当先最先进的预测几乎都使用了算法集成。它比使用单个模型预测出来的结果要精确的多&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&需要大量的维护工作&/p&&/li&&/ul&&br&&p&&strong&决策树算法（Decision Tree Algorithm）&/strong&&/p&&br&&img src=&/v2-1c3e835f10e86c70373eff2b91975d23_b.png& data-rawwidth=&201& data-rawheight=&226& class=&content_image& width=&201&&&br&&p&决策树学习使用一个决策树作为一个预测模型，它将对一个 item（表征在分支上）观察所得映射成关于该 item 的目标值的结论（表征在叶子中）。&/p&&br&&p&树模型中的目标是可变的，可以采一组有限值，被称为分类树；在这些树结构中，叶子表示类标签，分支表示表征这些类标签的连接的特征。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&分类和回归树（Classification and Regression Tree，CART）&/p&&/li&&li&&p&Iterative Dichotomiser 3（ID3）&/p&&/li&&li&&p&C4.5 和 C5.0（一种强大方法的两个不同版本）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&容易解释&/p&&/li&&li&&p&非参数型&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&趋向过拟合&/p&&/li&&li&&p&可能或陷于局部最小值中&/p&&/li&&li&&p&没有在线学习&/p&&/li&&/ul&&br&&p&&strong&回归（Regression）算法&/strong&&/p&&br&&img src=&/v2-161db1a534b4fe_b.png& data-rawwidth=&207& data-rawheight=&226& class=&content_image& width=&207&&&br&&p&回归是用于估计两种变量之间关系的统计过程。当用于分析因变量和一个 多个自变量之间的关系时，该算法能提供很多建模和分析多个变量的技巧。具体一点说，回归分析可以帮助我们理解当任意一个自变量变化，另一个自变量不变时，因变量变化的典型值。最常见的是，回归分析能在给定自变量的条件下估计出因变量的条件期望。&/p&&br&&p&回归算法是统计学中的主要算法，它已被纳入统计机器学习。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&普通最小二乘回归（Ordinary Least Squares Regression，OLSR）&/p&&/li&&li&&p&线性回归（Linear Regression）&/p&&/li&&li&&p&逻辑回归（Logistic Regression）&/p&&/li&&li&&p&逐步回归（Stepwise Regression）&/p&&/li&&li&&p&多元自适应回归样条（Multivariate Adaptive Regression Splines，MARS）&/p&&/li&&li&&p&本地散点平滑估计（Locally Estimated Scatterplot Smoothing，LOESS）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&直接、快速&/p&&/li&&li&&p&知名度高&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&要求严格的假设&/p&&/li&&li&&p&需要处理异常值&/p&&/li&&/ul&&br&&p&&strong&人工神经网络&/strong&&/p&&br&&img src=&/v2-ab4ff00b16db_b.png& data-rawwidth=&192& data-rawheight=&226& class=&content_image& width=&192&&&br&&p&人工神经网络是受生物神经网络启发而构建的算法模型。&/p&&br&&p&它是一种模式匹配，常被用于回归和分类问题，但拥有庞大的子域，由数百种算法和各类问题的变体组成。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&感知器&/p&&/li&&li&&p&反向传播&/p&&/li&&li&&p&Hopfield 网络&/p&&/li&&li&&p&径向基函数网络（Radial Basis Function Network，RBFN）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&在语音、语义、视觉、各类游戏（如围棋）的任务中表现极好。&/p&&/li&&li&&p&算法可以快速调整，适应新的问题。&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&p&需要大量数据进行训练&/p&&p&训练要求很高的硬件配置&/p&&p&模型处于「黑箱状态」，难以理解内部机制&/p&&p&元参数（Metaparameter）与网络拓扑选择困难。&/p&&br&&p&&strong&深度学习（Deep Learning）&/strong&&/p&&br&&img src=&/v2-2158dacd56df1df4e3ecca4bac8e8b10_b.png& data-rawwidth=&200& data-rawheight=&228& class=&content_image& width=&200&&&br&&p&深度学习是人工神经网络的最新分支，它受益于当代硬件的快速发展。&/p&&br&&p&众多研究者目前的方向主要集中于构建更大、更复杂的神经网络，目前有许多方法正在聚焦半监督学习问题，其中用于训练的大数据集只包含很少的标记。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&深玻耳兹曼机（Deep Boltzmann Machine，DBM）&/p&&/li&&li&&p&Deep Belief Networks（DBN）&/p&&/li&&li&&p&卷积神经网络（CNN）&/p&&/li&&li&&p&Stacked Auto-Encoders&/p&&/li&&/ul&&br&&p&&strong&优点/缺点&/strong&：见神经网络&/p&&br&&p&&strong&支持向量机（Support Vector Machines）&/strong&&/p&&br&&img src=&/v2-c9abeb277deab695af7cb4ddbb11ca4e_b.png& data-rawwidth=&235& data-rawheight=&110& class=&content_image& width=&235&&&br&&p&给定一组训练事例，其中每个事例都属于两个类别中的一个，支持向量机（SVM）训练算法可以在被输入新的事例后将其分类到两个类别中的一个，使自身成为非概率二进制线性分类器。&/p&&br&&p&SVM 模型将训练事例表示为空间中的点，它们被映射到一幅图中，由一条明确的、尽可能宽的间隔分开以区分两个类别。&/p&&br&&p&随后，新的示例会被映射到同一空间中，并基于它们落在间隔的哪一侧来预测它属于的类别。&/p&&br&&p&&strong&优点：&/strong&&/p&&br&&p&在非线性可分问题上表现优秀&/p&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&非常难以训练&/p&&/li&&li&&p&很难解释&/p&&/li&&/ul&&br&&p&&strong&降维算法（Dimensionality Reduction Algorithms）&/strong&&/p&&br&&img src=&/v2-d4acbd18bff0d9_b.png& data-rawwidth=&196& data-rawheight=&227& class=&content_image& width=&196&&&br&&p&和集簇方法类似，降维追求并利用数据的内在结构，目的在于使用较少的信息总结或描述数据。&/p&&br&&p&这一算法可用于可视化高维数据或简化接下来可用于监督学习中的数据。许多这样的方法可针对分类和回归的使用进行调整。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&主成分分析（Principal Component Analysis (PCA)）&/p&&/li&&li&&p&主成分回归（Principal Component Regression (PCR)）&/p&&/li&&li&&p&偏最小二乘回归（Partial Least Squares Regression (PLSR)）&/p&&/li&&li&&p&Sammon 映射（Sammon Mapping）&/p&&/li&&li&&p&多维尺度变换（Multidimensional Scaling (MDS)）&/p&&/li&&li&&p&投影寻踪（Projection Pursuit）&/p&&/li&&li&&p&线性判别分析（Linear Discriminant Analysis (LDA)）&/p&&/li&&li&&p&混合判别分析（Mixture Discriminant Analysis (MDA)）&/p&&/li&&li&&p&二次判别分析（Quadratic Discriminant Analysis (QDA)）&/p&&/li&&li&&p&灵活判别分析（Flexible Discriminant Analysis (FDA)）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&可处理大规模数据集&/p&&/li&&li&&p&无需在数据上进行假设&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&难以搞定非线性数据&/p&&/li&&li&&p&难以理解结果的意义&/p&&/li&&/ul&&br&&p&&strong&聚类算法（Clustering Algorithms）&/strong&&/p&&br&&img src=&/v2-3be17ecccdac_b.png& data-rawwidth=&211& data-rawheight=&225& class=&content_image& width=&211&&&br&&p&聚类算法是指对一组目标进行分类，属于同一组（亦即一个类，cluster）的目标被划分在一组中，与其他组目标相比，同一组目标更加彼此相似（在某种意义上）。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&K-均值（k-Means）&/p&&/li&&li&&p&k-Medians 算法&/p&&/li&&li&&p&Expectation Maximi 封层 ation (EM)&/p&&/li&&li&&p&最大期望算法（EM）&/p&&/li&&li&&p&分层集群（Hierarchical Clstering）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&让数据变得有意义&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&结果难以解读，针对不寻常的数据组，结果可能无用。&/p&&/li&&/ul&&br&&p&&strong&基于实例的算法（Instance-based Algorithms）&/strong&&/p&&br&&img src=&/v2-9fe2126ad4beaafa3f739b9f5b9b4b8a_b.png& data-rawwidth=&199& data-rawheight=&225& class=&content_image& width=&199&&&br&&p&基于实例的算法（有时也称为基于记忆的学习）是这样学 习算法，不是明确归纳，而是将新的问题例子与训练过程中见过的例子进行对比，这些见过的例子就在存储器中。&/p&&br&&p&之所以叫基于实例的算法是因为它直接从训练实例中建构出假设。这意味这，假设的复杂度能随着数据的增长而变化：最糟的情况是，假设是一个训练项目列表，分类一个单独新实例计算复杂度为 O（n）&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&K 最近邻（k-Nearest Neighbor (kNN)）&/p&&/li&&li&&p&学习向量量化（Learning Vector Quantization (LVQ)）&/p&&/li&&li&&p&自组织映射（Self-Organizing Map (SOM)）&/p&&/li&&li&&p&局部加权学习（Locally Weighted Learning (LWL)）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&算法简单、结果易于解读&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&内存使用非常高&/p&&/li&&li&&p&计算成本高&/p&&/li&&li&&p&不可能用于高维特征空间&/p&&/li&&/ul&&br&&p&&strong&贝叶斯算法（Bayesian Algorithms）&/strong&&/p&&br&&img src=&/v2-2e5d055f6fd435de62e25c_b.png& data-rawwidth=&205& data-rawheight=&224& class=&content_image& width=&205&&&br&&p&贝叶斯方法是指明确应用了贝叶斯定理来解决如分类和回归等问题的方法。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&朴素贝叶斯（Naive Bayes）&/p&&/li&&li&&p&高斯朴素贝叶斯（Gaussian Naive Bayes）&/p&&/li&&li&&p&多项式朴素贝叶斯（Multinomial Naive Bayes）&/p&&/li&&li&&p&平均一致依赖估计器（Averaged One-Dependence Estimators (AODE)）&/p&&/li&&li&&p&贝叶斯信念网络（Bayesian Belief Network (BBN)）&/p&&/li&&li&&p&贝叶斯网络（Bayesian Network (BN)）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&p&快速、易于训练、给出了它们所需的资源能带来良好的表现&/p&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&如果输入变量是相关的，则会出现问题&/p&&/li&&/ul&&br&&p&&strong&关联规则学习算法（Association Rule Learning Algorithms）&/strong&&/p&&br&&img src=&/v2-978b11edc3baf0f974ab73_b.png& data-rawwidth=&194& data-rawheight=&225& class=&content_image& width=&194&&&br&&p&关联规则学习方法能够提取出对数据中的变量之间的关系的最佳解释。比如说一家超市的销售数据中存在规则 {洋葱，土豆}=& {汉堡}，那说明当一位客户同时购买了洋葱和土豆的时候，他很有可能还会购买汉堡肉。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&Apriori 算法（Apriori algorithm）&/p&&/li&&li&&p&Eclat 算法（Eclat algorithm）&/p&&/li&&li&&p&FP-growth&/p&&/li&&/ul&&br&&p&&strong&图模型（Graphical Models）&/strong&&/p&&br&&img src=&/v2-83300d03abcfb6a2a676ea6e1c9f0d7e_b.png& data-rawwidth=&194& data-rawheight=&226& class=&content_image& width=&194&&&br&&p&图模型或概率图模型（PGM/probabilistic graphical model）是一种概率模型，一个图（graph）可以通过其表示随机变量之间的条件依赖结构（conditional dependence structure）。&/p&&br&&p&&strong&例子：&/strong&&/p&&br&&ul&&li&&p&贝叶斯网络（Bayesian network）&/p&&/li&&li&&p&马尔可夫随机域（Markov random field）&/p&&/li&&li&&p&链图（Chain Graphs）&/p&&/li&&li&&p&祖先图（Ancestral graph）&/p&&/li&&/ul&&br&&p&&strong&优点：&/strong&&/p&&br&&ul&&li&&p&模型清晰，能被直观地理解&/p&&/li&&/ul&&br&&p&&strong&缺点：&/strong&&/p&&br&&ul&&li&&p&确定其依赖的拓扑很困难，有时候也很模糊&/p&&/li&&/ul&&p&选自&a href=&/?target=https%3A//static.coggle.it/diagram/WHeBqDIrJRk-kDDY& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coggle&i class=&icon-external&&&/i&&/a&&b&机器之心编译&/b&&/p&
在我们日常生活中所用到的推荐系统、智能图片美化应用和聊天机器人等应用中，各种各样的机器学习和数据处理算法正尽职尽责地发挥着自己的功效。本文筛选并简单介绍了一些最常见算法类别，还为每一个类别列出了一些实际的算法并简单介绍了它们的优缺点。 …
&img src=&/v2-ddefd4fea74ecb7b535eeb_b.jpg& data-rawwidth=&1280& data-rawheight=&720& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&/v2-ddefd4fea74ecb7b535eeb_r.jpg&&&p&当地时间 2 月 15 日，谷歌在加州山景城召开了第一届年度 TensorFlow 开发者大会（TensorFlow Developer Summit 2017），这可算得上是 TensorFlow 开发者、支持者与爱好者的第一次盛会，谷歌也在此次会议上发布了开发者期待已久的 &a href=&/?target=http%3A///article/2291& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow 1.0&i class=&icon-external&&&/i&&/a&。&/p&&br&&p&经过一年多的发展，TensorFlow 得到了越来越多开发者的认可，也成为了 GitHub 上最受欢迎的框架之一。从发布以来，TensorFlow 一直在不断完善和增加新功能，比如分布式 TensorFlow、Windows 系统支持等，直到最近 TensorFlow 1.0 正式版的诞生。&/p&&img src=&/v2-cbbc79ae715bd680c828a6_b.png& data-rawwidth=&2844& data-rawheight=&1576& class=&origin_image zh-lightbox-thumb& width=&2844& data-original=&/v2-cbbc79ae715bd680c828a6_r.png&&&br&&p&&em&TensorFlow 的版本更迭&/em&&/p&&br&&p&但除了这个我们早就已经预计到的重磅消息之外，这个首届 TensorFlow 开发者大会上还有什么值得开发者关注的亮点呢？机器之心在此根据本次大会上的演讲对会上值得关注的内容进行了梳理，并按框架对比、产品和应用、移动端与嵌入式 TensorFlow、资源分别进行了总结，希望能对 TensorFlow 开发者能有所帮助。&/p&&br&&p&&strong&框架对比&/strong&&/p&&br&&p&自开源以来，TensorFlow 经过一年多的发展已经成为了 GitHub 上最流行的框架。如同 Jeff Dean 下图中演示那样，短短一年时间，TensorFlow 已经超越 scikit-learn、Caffe 等框架，已在 GitHub 获得了最多的 Star 量。&/p&&img src=&/v2-6cfb2f7b8_b.png& data-rawwidth=&2738& data-rawheight=&1496& class=&origin_image zh-lightbox-thumb& width=&2738& data-original=&/v2-6cfb2f7b8_r.png&&&br&&p&&em&有大量的人在为 TensorFlow 作出贡献，并用其进行各种有趣的尝试。&/em&&/p&&br&&p&此外，Jeff Dean 在 Keynote 中介绍说，TensorFlow 现在已经支持 Python、C++、Java、R、Haskell、Go 在内的多种语言。&/p&&br&&p&框架之间的对比也成为了机器学习社区所关注的一个话题。在一篇文章中，数据科学公司 Silicon Valley Data Science 的数据工程师 Matt Rubashkin（UC Berkeley 博士）对深度学习的 7 种流行框架&a href=&/p/& class=&internal&&进行了横向对比&/a&，其中包括语言支持、速度、兼容 Keras 在内的 8 项衡量标准，结果如下：&/p&&br&&img src=&/v2-67c36f046eb38d4a130fbf68f7611368_b.png& data-rawwidth=&1024& data-rawheight=&563& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/v2-67c36f046eb38d4a130fbf68f7611368_r.png&&&p&在本次开发者大会上，谷歌专门也设置了两场演讲凸显 TensorFlow 的优势：XLA 以及 Keras 与 TensorFlow 的融合。&/p&&br&&ul&&li&&p&速度是高效的机器学习框架的一切。在这次大会中，Chris Leary 与 Todd Wang 讲解了通过 XLA（加速线性代数）方法减少训练和推断时间的方式。他们介绍了 TensorFlow 如何使用 XLA、JIT、AOT 以及其它编译技术来最小化执行时间和最大化计算资源。&img src=&/v2-6e5fbcf07c3fe58bd5c5f2b_b.png& data-rawwidth=&1880& data-rawheight=&1056& class=&origin_image zh-lightbox-thumb& width=&1880& data-original=&/v2-6e5fbcf07c3fe58bd5c5f2b_r.png&&&/p&&/li&&/ul&&br&&ul&&li&&p&兼容 Keras：Keras 是成长最快的深度学习框架之一。在此次大会上，Keras 的主要作者 Francois Chollet 用视频 QA 案例演示了如何在 TensorFlow 中使用 Keras。&img src=&/v2-73a4c4567efa294a7f38_b.png& data-rawwidth=&1888& data-rawheight=&1058& class=&origin_image zh-lightbox-thumb& width=&1888& data-original=&/v2-73a4c4567efa294a7f38_r.png&&&/p&&/li&&/ul&&br&&p&&strong&产品与应用&/strong&&/p&&br&&p&经过一年飞速的发展，TensorFlow 也逐渐得到了业界的认可，许多企业、公司都在基于 TensorFlow 开发自己的产品或将 TensorFlow 整合到自己的产品中去。其中包括 Airbnb、Uber、Twitter、英特尔和高通等等，当然也还有去年宣布从 &a href=&/?target=http%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D3%26sn%3Da736cfa66206%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Torch 转向 TensorFlow 的 DeepMind&i class=&icon-external&&&/i&&/a&。&/p&&br&&img src=&/v2-b1f9f8bf65228bee6b261_b.png& data-rawwidth=&1884& data-rawheight=&1050& class=&origin_image zh-lightbox-thumb& width=&1884& data-original=&/v2-b1f9f8bf65228bee6b261_r.png&&&p&而谷歌自己当然更是在产品开发上给予了 TensorFlow 所有可以提供的支持。据谷歌工程开发主管 Megan Kacholia 介绍，TensorFlow 目前已经在以下十几种产品中得到了应用，其中包括谷歌翻译、Google Play、YouTube 和 Gmail 等。&/p&&br&&img src=&/v2-d6b96e79ec59dd82cdbbd8ce7cf0cf17_b.png& data-rawwidth=&2730& data-rawheight=&1474& class=&origin_image zh-lightbox-thumb& width=&2730& data-original=&/v2-d6b96e79ec59dd82cdbbd8ce7cf0cf17_r.png&&&p&谷歌也不吝于分享自己在 TensorFlow 产品应用方面的经验。Google Research 的软件工程师 Jonathan Hseu 在一个演讲中介绍了 TensorFlow 生态系统（参考：&a href=&/?target=http%3A///article/1770& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《资源 | TensorFlow 生态系统：与多种开源框架的融合》&i class=&icon-external&&&/i&&/a&），谈到了 TensorFlow 和产品基础设施的整合方式，并介绍了从数据准备到模型训练到产品应用整个过程。&/p&&br&&img src=&/v2-8bf55f150da1ab2cd5e6a96_b.png& data-rawwidth=&574& data-rawheight=&266& class=&origin_image zh-lightbox-thumb& width=&574& data-original=&/v2-8bf55f150da1ab2cd5e6a96_r.png&&&p&在数据准备阶段，主要处理过程是：从各个数据源获取数据→执行预处理→导出一个 TensorFLow 支持的文件格式。在这个阶段用的比较多的工具是 Apache Spark、Hadoop MapReduce 和 Apache Beam。&/p&&br&&p&在模型训练阶段，可以选择本地训练（自己的本地机器或远程虚拟机）或分布式训练（速度更快，但需要合适的基础设施）。&/p&&br&&p&然后就是将训练好的模型导出投入到产品中，Hseu 在这里推荐了 TensorFlow Serving 和 In-Process TensorFlow。&/p&&br&&p&而在这些阶段的语言支持上，Python 的支持当然是最好的。&/p&&br&&img src=&/v2-9a16ccead044a_b.png& data-rawwidth=&898& data-rawheight=&507& class=&origin_image zh-lightbox-thumb& width=&898& data-original=&/v2-9a16ccead044a_r.png&&&p&接下来，Google Research 的软件工程师 Noah Fiedel 就做了关于 TensorFlow Serving（serving 是指将训练好的模型应用到生产中的过程）的演讲。Fiedel 介绍说，serving 的目标是实现在线的、低延迟的应用，能将多个模型应用到单一一个流程中，可以随时间加载一个模型的多个版本，可以实时计算成本变化以满足产品需求（通过 CloudML、Docker & K8s 自动扩展），在训练时间通过 mini-batching 提高效率（除非有异步的要求）。而 TensorFlow Serving 就是一个专为生产环境设计的，用于机器学习模型的灵活高性能 serving 平台：&a href=&/?target=https%3A//tensorflow.github.io/serving& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&tensorflow.github.io/se&/span&&span class=&invisible&&rving&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&br&&img src=&/v2-864f94e303c4bb821e910e120a2cb019_b.png& data-rawwidth=&565& data-rawheight=&313& class=&origin_image zh-lightbox-thumb& width=&565& data-original=&/v2-864f94e303c4bb821e910e120a2cb019_r.png&&&p&还在演讲后面介绍一种新技术 SavedModel，这是一种用于 TensorFlow 模型的通用的序列化格式（universal serialization format），已经包含在了 TensorFlow 1.0 中，其有两个重要功能：支持多个 MetaGraph（同时共享变量和 asset）和 SignatureDef。&/p&&br&&img src=&/v2-a6d21dfc9d11e11bff00e38e118d9eed_b.png& data-rawwidth=&355& data-rawheight=&214& class=&content_image& width=&355&&&p&其中 SignatureDef 定义了由 TensorFlow graph 所支持的计算的签名。&/p&&br&&img src=&/v2-0252dcd19b84ef87bd3d1_b.png& data-rawwidth=&857& data-rawheight=&475& class=&origin_image zh-lightbox-thumb& width=&857& data-original=&/v2-0252dcd19b84ef87bd3d1_r.png&&&p&此外还有 Multi-headed Inference 和 Sequence Models 技术：&/p&&br&&img src=&/v2-c7b0997cadbc3c65ccf4f91b4c05b54c_b.png& data-rawwidth=&852& data-rawheight=&474& class=&origin_image zh-lightbox-thumb& width=&852& data-original=&/v2-c7b0997cadbc3c65ccf4f91b4c05b54c_r.png&&&p&分布式 TensorFlow 也是一个值得关注的亮点，Google Research 的软件工程师 Derek Murray 带来了一个自底向上的关于分布式 TensorFlow 的介绍，并展示了所有可以用来利用这种力量的工具。我们为什么要使用分布式 TensorFlow 呢？随着技术和方法的不断发展，深度学习系统的规模也变得越来越大，对计算资源的要求也随之增长。为了应对这个问题，我们可以将计算分配给不同的 GPU 集群而并行地进行计算，从而减少计算时间。&/p&&br&&img src=&/v2-0b387d97fb7dd3b71ab9e4f2fb5cd933_b.png& data-rawwidth=&576& data-rawheight=&320& class=&origin_image zh-lightbox-thumb& width=&576& data-original=&/v2-0b387d97fb7dd3b71ab9e4f2fb5cd933_r.png&&&p&我们需要分布式 TensorFlow 的情况是模型非常大的时候，比如谷歌的「&a href=&/?target=http%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Daae84df4e4e218afcd9f2d7cc88c96eb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&宽度&深度&i class=&icon-external&&&/i&&/a&」模型 和超大规模模型，现有的单个硬件可能无法将它装进去进行计算。&/p&&br&&img src=&/v2-946851cdd262ba0293915_b.png& data-rawwidth=&876& data-rawheight=&495& class=&origin_image zh-lightbox-thumb& width=&876& data-original=&/v2-946851cdd262ba0293915_r.png&&&p&&em&超大规模有多达 680 亿个参数&/em&&/p&&br&&p&在具体的应用方面，Google Research 的软件工程师 Heng-Tze Cheng 介绍了用 TensorFlow 实现「宽度&深度学习」——将记忆（memorization）和归纳（generalization）结合到一起。参阅《&a href=&/?target=http%3A//mp./s%3F__biz%3DMzA3MzI4MjgzMw%3D%3D%26mid%3D%26idx%3D1%26sn%3Daae84df4e4e218afcd9f2d7cc88c96eb%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度 | 谷歌新开源「宽度&深度学习」框架：结合记忆和归纳实现更优推荐 &i class=&icon-external&&&/i&&/a&》，该网络已经在 Google Play 上得到了应用。&img src=&/v2-2a38af80491ccdc_b.png& data-rawwidth=&912& data-rawheight=&508& class=&origin_image zh-lightbox-thumb& width=&912& data-original=&/v2-2a38af80491ccdc_r.png&&&/p&&br&&p&TensorFlow 的高级 API，你需要 10 行代码就能实现一个这种类型的网络模型。&/p&&br&&img src=&/v2-3cd37ebd285b47af4cad085ab6fcaea9_b.png& data-rawwidth=&912& data-rawheight=&501& class=&origin_image zh-lightbox-thumb& width=&912& data-original=&/v2-3cd37ebd285b47af4cad085ab6fcaea9_r.png&&&p&Google Research 的产品经理 Lily Peng 以视网膜成像为例介绍了 TensorFlow 在医疗领域的应用。机器之心之前已经有过介绍了《&a href=&/?target=http%3A///article/1913& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&重磅 | 谷歌研发人工智能眼科医生：用深度学习诊断预防失明&i class=&icon-external&&&/i&&/a&》。在谈到 TensorFlow 所发挥的作用时，Peng 介绍说 TensorFlow 的优点包括：快速的原型构建、支持大规模实验并且可以根据实际的应用所收集到的数据和标签重新训练模型。&/p&&br&&img src=&/v2-0b89f25bb7f1e322ed04ba7_b.png& data-rawwidth=&927& data-rawheight=&515& class=&origin_image zh-lightbox-thumb& width=&927& data-original=&/v2-0b89f25bb7f1e322ed04ba7_r.png&&&p&此外，不久之前得以上 Nature 封面的癌症方面的研究也应用到了 TensorFlow。斯坦福大学的研究人员训练了一个可以诊断皮肤癌的算法。在论文中，他们展示了使用一个单一的深度卷积神经网络进行皮肤病变分类的过程，该网络仅使用像素和疾病标签作为输入，直接从图像中端到端地训练出来。测试结果显示深度卷积神经网络在这两个任务上的表现都达到了所有测试的专家的水平，证明了该人工智能的皮肤癌鉴定水平达到了媲美皮肤科医生的水平。配备该深度神经网络的移动设备可以让皮肤科医生的诊断拓展到临床之外。&/p&&br&&p&在此次开发者大会上，论文的合作者之一 Brett Kuprel 讲解了如何使用 TensorFlow 进行癌症图像分类，这是受到学界、业界极大关注的应用之一。&/p&&br&&a class=&video-box& href=&/?target=https%3A///x/page/kk.html& target=&_blank& data-video-id=&& data-video-playable=&& data-name=&癌症图像分类 - 腾讯视频& data-poster=&///qqvideo_ori/0/kk_228_128/0& data-lens-id=&&&
&img class=&thumbnail& src=&///qqvideo_ori/0/kk_228_128/0&&&span class=&content&&
&span class=&title&&癌症图像分类 - 腾讯视频&span class=&z-ico-extern-gray&&&/span&&span class=&z-ico-extern-blue&&&/span&&/span&
&span class=&url&&&span class=&z-ico-video&&&/span&/x/page/kk.html&/span&
&/a&&br&&p&此外，谷歌研究科学家 Doug Eck 介绍了基于 TensorFlow 的音乐和艺术生成项目 Project Magenta。机器之心之前也曾深度介绍过该项目《&a href=&/?target=http%3A///article/1620& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度 | 人工智能改变 MIDI 创作：谷歌 Magenta 项目是如何教神经网络编写音乐的？&i class=&icon-external&&&/i&&/a&》。Eck 在演讲中谈到了选择 TensorFlow 的原因：可以使用能操作一切（MIDI、音频）的 Python，灵活且高速的图像、音频、视频 I/O、有很好用的 TensorBoard 和非常好的开发者社区。&img src=&/v2-4a8dc392cd2a90f0ab78fb_b.png& data-rawwidth=&930& data-rawheight=&507& class=&origin_image zh-lightbox-thumb& width=&930& data-original=&/v2-4a8dc392cd2a90f0ab78fb_r.png&&&/p&&br&&p&最后要提及的是谷歌收购的 DeepMind 团队在去年从 Torch 转向 TensorFlow 之后，也在积极地将其用到各种应用上。在大会的一场演讲中，来自 DeepMind 应用团队的 Daniel Visentin 就提到了 DeepMind 将它们的人工智能技术应用到谷歌的数据中心上，从而寻找帮助谷歌降低能源费用的方法。而这种方法的开发就得益于围绕 TensorFlow 开发的一些更高水平的库。&/p&&br&&img src=&/v2-7bf0d18cecad5d0dff26ca12_b.png& data-rawwidth=&1886& data-rawheight=&1056& class=&origin_image zh-lightbox-thumb& width=&1886& data-original=&/v2-7bf0d18cecad5d0dff26ca12_r.png&&&p&&strong&移动端与嵌入式 TensorFlow&/strong&&/p&&br&&p&服务器端的大规模机器学习应用，Google 当仁不让（当然，Facebook、Twitter、Linkedin、Netflix、Amazon 等也有自己的看家本领）。但是，移动计算市场对机器学习的需求极其强劲，谷歌自然不会放弃这块巨大的蛋糕。&/p&&br&&p& Pete Warden 带来了主题为「移动端与嵌入式 TensorFlow」的演讲。首先，对 TensorFlow 生态系统做了基本介绍，接着就移动端实现 TensorFlow 以及一些问题解决（当然，也是 TensorFlow 的优点）做了简单讲解。&/p&&br&&p&目前，TensorFlow 支持的平台包括安卓、iOS 以及树莓派。&/p&&br&&img src=&/v2-9c79e0b4ea3af3469288_b.png& data-rawwidth=&1162& data-rawheight=&631& class=&origin_image zh-lightbox-thumb& width=&1162& data-original=&/v2-9c79e0b4ea3af3469288_r.png&&&p&TensorFlow 还与许多芯片制造商，比如 英特尔、ARM 、Movidius 等密切合作，确保 TensorFlow 在一大堆不同硬件上运行更快更流畅。&/p&&br&&img src=&/v2-daaacba290_b.png& data-rawwidth=&1198& data-rawheight=&677& class=&origin_image zh-lightbox-thumb& width=&1198& data-original=&/v2-daaacba290_r.png&&&p&简单介绍 TensorFlow 的生态环境后，Pete Warden 利用介绍了安卓系统、iOS 以及树莓派的 TensorFlow 实现，还给出了应用实例。&img src=&/v2-e3c72b98cb0ef4d05b8b1_b.png& data-rawwidth=&1159& data-rawheight=&639& class=&origin_image zh-lightbox-thumb& width=&1159& data-original=&/v2-e3c72b98cb0ef4d05b8b1_r.png&&&/p&&br&&p&&em&安卓应用程序用的是 Java，怎么办？答案在上面。&/em&&/p&&br&&p&在 TF 实现中，通常会遇到一些问题，比如&/p&&br&&img src=&/v2-7dc5f349fd1fe162f661d26c7eceace0_b.png& data-rawwidth=&883& data-rawheight=&506& class=&origin_image zh-lightbox-thumb& width=&883& data-original=&/v2-7dc5f349fd1fe162f661d26c7eceace0_r.png&&&p&为此，你可能需要知道 TensorFlow 的打造原理，比如，TensorFlow 的组件巨多，根本不存在一个把这些内容都列出来的单一文件。这时，你需尝试有效操作办法： &/p&&br&&img src=&/v2-4e6d29afea6bbbeaab211_b.png& data-rawwidth=&1089& data-rawheight=&585& class=&origin_image zh-lightbox-thumb& width=&1089& data-original=&/v2-4e6d29afea6bbbeaab211_r.png&&&p&接下来，管理模型大小和速度问题，TensorFlow 有不少办法压缩模型大小。其中，最关键的步骤就是量子化权重。&/p&&br&&img src=&/v2-0a18c660cfdeca99e9a68162_b.png& data-rawwidth=&1642& data-rawheight=&840& class=&origin_image zh-lightbox-thumb& width=&1642& data-original=&/v2-0a18c660cfdeca99e9a68162_r.png&&&p&最后介绍了管理二进制文件大小。&/p&&br&&img src=&/v2-0ebcbf74ebbfa_b.png& data-rawwidth=&1643& data-rawheight=&796& class=&origin_image zh-lightbox-thumb& width=&1643& data-original=&/v2-0ebcbf74ebbfa_r.png&&&p&&strong&TensorFlow 资源汇集&/strong&&/p&&br&&p&Ashish Agarwal 在本次开发者大会上介绍了机器学习工具包，他谈到 TensorFlow 虽然是一个非常强大的框架，然而也一直以来都缺乏可以即时使用的解决方案。常用的机器学习工具包括：&/p&&br&&img src=&/v2-8f0f20b1b4196af7baad963df0ce13e0_b.png& data-rawwidth=&586& data-rawheight=&335& class=&origin_image zh-lightbox-thumb& width=&586& data-original=&/v2-8f0f20b1b4196af7baad963df0ce13e0_r.png&&&br&&p&Agarwal
介绍了了一个旨在解决这一问题的算法工具包，并表示这个工具包是 TensorFlow 中的高性能、分布式、可扩展的机器学习算法实现，可以直接拿来使用，比如下面这个联合实现 k-均值和 DNN 的案例：&img src=&/v2-6a9aae77e78b_b.png& data-rawwidth=&879& data-rawheight=&504& class=&origin_image zh-lightbox-thumb& width=&879& data-original=&/v2-6a9aae77e78b_r.png&&&/p&&br&&p&最后是我们有关 TensorFlow 的报道：&/p&&br&&p&&strong&基本概述和新闻&/strong&&br&&/p&&br&&ul&&li&&p&&a href=&/?target=http%3A///article/1794& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow开源一周年：这可能是一份最完整的盘点&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/209& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow：最棒的深度学习加速器&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1912& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&终于来了，TensorFlow 新增官方 Windows 支持&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1279& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌开源平台TensorFlow向iOS开放&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1348& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&想揭开深度学习隐藏层的神秘面纱？试试Tensor Flow的神经网络游乐场&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2126& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow版本号升至1.0，正式版即将到来&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2291& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌召开首届TensorFlow开发者大会，正式发布TensorFlow 1.0&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1770& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow 生态系统：与多种开源框架的融合&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1207& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌TensorFlow的一份全面评估报告：好的坏的及令人讨厌的&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2082& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&对比深度学习十大框架：TensorFlow最流行但并不是最好&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2303& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&从TensorFlow到Theano：横向对比七大深度学习框架&i class=&icon-external&&&/i&&/a&&/p&&/li&&/ul&&br&&p&&strong&前沿研究&/strong&&br&&/p&&br&&ul&&li&&p&&a href=&/?target=http%3A///article/1242& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Google Brain论文：TensorFlow，一个大规模机器学习系统&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1509& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DeepMind最新生成模型WaveNet，将机器合成语音水平与人类差距缩小50%（附论文）&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1568& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌翻译整合神经网络：机器翻译实现颠覆性突破（附论文）&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1719& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌增强型风格迁移新算法：实现基于单个网络的多种风格实时迁移（附论文）&i class=&icon-external&&&/i&&/a&&/p&&/li&&/ul&&p&&br&&strong&应用实现与开源&/strong&&br&&/p&&br&&ul&&li&&p&&a href=&/?target=http%3A///article/1555& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Show and Tell：谷歌在 TensorFlow 上开源图像描述系统&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1449& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌开源新的 TensorFlow 代码，如何进行文本自动摘要&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1474& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌开放 TF-Slim：在 TensorFlow 中定义复杂模型的高层库&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1481& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌开放Inception-ResNet-v2：一种新的图像分类卷积神经网络模型&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1206& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌开源最精确自然语言解析器SyntaxNet的深度解读：一次关键进步以及一个重要工具&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2279& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&雅虎BigML团队开源大数据分布式深度学习框架TensorFlowOnSpark&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2253& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌发布深度学习库TensorFlow Fold，支持动态计算图&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2278& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Wasserstein GAN 的 TensorFlow 实现&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1770& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow 生态系统：与多种开源框架的融合&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1614& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DeepMind语音生成模型WaveNet的TensorFlow实现&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2018& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&OpenAI 的 PixelCNN++实现：基于 Python3 和 TensorFlow&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1809& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&DeepMind提出的可微神经计算机架构的TensorFlow实现&i class=&icon-external&&&/i&&/a&&br&&/p&&/li&&/ul&&p&&strong&教程&/strong&&br&&/p&&ul&&li&&p&&a href=&/?target=http%3A///article/1348& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&谷歌官方指南：如何通过玩TensorFlow Playground来理解神经网络&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/2196& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&没有博士学位，照样玩转TensorFlow深度学习&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1417& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&如何在 TensorFlow 中用深度学习修复图像？（附论文）&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1648& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&资源 | 数十种TensorFlow实现案例汇集：代码+笔记&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1617& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&10种深度学习算法的TensorFlow实现&i class=&icon-external&&&/i&&/a&&/p&&/li&&li&&p&&a href=&/?target=http%3A///article/1440& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习敲门砖：任何人都能看懂的TensorFlow介绍&i class=&icon-external&&&/i&&/a&&/p&&/li&&/ul&&p&&b&机器之心原创&/b&&/p&
当地时间 2 月 15 日，谷歌在加州山景城召开了第一届年度 TensorFlow 开发者大会（TensorFlow Developer Summit 2017），这可算得上是 TensorFlow 开发者、支持者与爱好者的第一次盛会，谷歌也在此次会议上发布了开发者期待已久的 。 经过一…
&p&&i&近期（日），&/i&&i&AI Optify 数据团队&/i&&i&针对 30 多本深度学习和神经网络书籍，使用多种指标训练机器学习算法，为每本书进行了打分、排名。这份榜单基于数据得出。排名靠前的九本书如下。&/i&&/p&&br&&p&&strong&1. 搭建你自己的神经网络（Make Your Own Neural Network）&/strong&&br&&/p&&p&价格：45 美元&/p&&img src=&/v2-bf1453d7_b.jpg& data-rawwidth=&193& data-rawheight=&250& class=&content_image& width=&193&&&p&一步步让你了解神经网络的数学原理并用 Python 搭建自己的神经网络。神经网络是深度学习和人工智能的关键元素。然而，几乎很少有人真正了解神经网络如何运作。本书从非常简单的思想开始，让你在趣味和从容不迫中，逐渐了解神经网络的运作原理。&/p&&br&&p&&strong&2. 神经网络设计（第二版）（Neural Network Design 2nd Edition)&/strong&&br&&/p&&p&价格：28 美元&/p&&img src=&/v2-fd79058fb1e_b.jpg& data-rawwidth=&203& data-rawheight=&250& class=&content_image& width=&203&&&p&本书作者著有 Neural Network Toolbox for MATLAB 一书。本书清楚详细介绍了基本神经网络结构和学习规则。其中，作者条理清楚地介绍了主要的神经网络、训练方法以及如何用来解决实际问题。广泛介绍了前馈网络（包括多层和径向基网络）和循环网络的训练方法是本书的一大特点。&/p&&br&&p&&strong&3. 用于模式识别的神经网络（计量经济学高级教程）（Neural Networks for Pattern Recognition Advanced Texts in Econometrics）&/strong&&br&&/p&&p&价格：58 美元&/p&&img src=&/v2-f9f095aa5e_b.jpg& data-rawwidth=&170& data-rawheight=&250& class=&content_image& width=&170&&&p&本书首次从统计模式识别角度全面介绍了前馈神经网络。在引介基本概念后，作者检视了概率密度函数的建模技巧以及多层感知机以及径向基函数网络模型的特性和优点。本书也介绍了各种不同形式的误差函数、误差函数极小化主要算法，神经网络的学习和泛化以及贝叶斯技巧及其应用。&/p&&br&&p&&strong&4. 神经网络：一个综合性基础（第二版）（Neural Networks: A Comprehensive Foundation (2nd Edition)&/strong&&br&&/p&&p&价格：48 美元&/p&&p&&img src=&/v2-7a50ec21d67c284fb1fbf4f8d6e6732d_b.jpg& data-rawwidth=&250& data-rawheight=&250& class=&content_image& width=&250&&面向计算机工程、电子工程以及计算机科学专业研究生的神经网络课程，全面、易读、结构合理，全面更新的教程仍然是工程学视角下、最全面的神经网络介绍，本书已全面修订。&/p&&br&&p&&strong&5. 深度学习基础：设计下一代机器智能的算法（Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms）&/strong&&br&&/p&&p&价格：33 美元&/p&&img src=&/v2-ebf3112dc8edb49b208c_b.jpg& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&p&随着神经网络在 21 世纪的振兴，深度学习已经成为一个极其活跃的研究领域，它正在为现代机器学习铺平道路。本书使用实例和论证说明帮助你理解这个复杂领域内的主要概念。掌握深度学习仍然是很复杂与困难的，不过如果你对机器学习有基本的理解，对 Python 编程语言比较熟悉，还能有一点微积分的数学背景，那么这本书将能很好地帮助你学习深度学习。&/p&&br&&p&&strong&6. 深度学习：自适应计算和机器学习系列（Deep Learning (Adaptive Computation and Machine Learning series)）&/strong&&br&&/p&&p&价格：69 美元&/p&&p&&img src=&/v2-0f3a9dda15c3da4cb01f4_b.jpg& data-rawwidth=&188& data-rawheight=&250& class=&content_image& width=&188&&文中提供数学和学科概念背景知识，其涵盖了线性代数、概率论和信息论、数值计算和机器学习等相关的背景知识。它阐述了行业从业者使用的深度学习技术，包含了深度前馈网络，正则化，优化算法，卷积网络，序列建模和实用性方法等。同时它对深度学习实际应用如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学和视频游戏也做了一个详尽的调查分析。&/p&&br&&p&&strong&7. 神经锻造：前馈人工神经网络中的监督学习（Neural Smithing: Supervised Learning in Feedforward Artificial Neural Networks）&/strong&&br&&/p&&p&价格：63 美元&/p&&p&&img src=&/v2-0e061ec16ea28cb7f2c2f31bf3f6f5f6_b.jpg& data-rawwidth=&203& data-rawheight=&250& class=&content_image& width=&203&&人工智能神经网络是非线形映射系统，它的结构简要的基于对人与动物大脑神经系统的观察。基础思路是简单单元的大规模系统以能生成许多复杂、有趣的行为的方式连接到一起。该书注重在前馈人工神经网络的一个子集，也就是多层感知器（MLP）。这是最普遍使用的神经网络，被应用于金融（预测）、制造业（流程控制）和科学（语音和图像识别）等多个领域。&/p&&br&&p&&strong&8. 人工神经网络基础（Fundamentals of Artificial Neural Networks）&/strong&&br&&/p&&p&价格：45 美元&br&&/p&&br&&img src=&/v2-0eb417aede82ac65ecbb6235bca56a1c_b.jpg& data-rawwidth=&203& data-rawheight=&250& class=&content_image& width=&203&&作为 IEEE Transactions on Neural Networks 的书评编辑，Mohamad Hassoun 有机会去评估近年来出现的众多关于人工神经网络的书籍。现在，在 Fundamentals of Artificial Neural Networks 一书中，他通过清楚的分辨目前神经网络研究员使用的理论与实践的基本概念与主要方法，首次对人工神经网络范式提供了系统性的解释。这样的一本系统的、统一的书籍，尽管缺少对最近神经网络发展的描述，也依然很适合于学生与从业者。&br&&br&&p&&strong&9. 深度学习：从业者的实用方法（Deep Learning: A Practitioner's Approach）&/strong&&br&&/p&&p&价格：28 美元&/p&&img src=&/v2-3f13feee3a007bcd436f_b.jpg& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&p&你想寻找一本能阐述机器学习主要进展的核心书籍吗？Deep Learning: A