深度学习框架TensorFlow、Caffe、MXNet、PyTorch如何抉择？6 位大咖现身说法
彭垚-七牛人工智能实验室负责人（主持人）
郭烽-易成自动驾驶CTO
于振华-科大讯飞内核研发总监
杨军-阿里大规模深度学习优化技术负责人
张鹏-新浪深度学习负责人
赵晓萌-小红书算法科学家。
彭垚：我是彭垚，花名叫土土，现在在七牛云，负责整个人工智能实验室。咱们先做个自我介绍吧。
于振华：我是于振华，讯飞研究院副院长，内核研发中心研发总监，我在公司负责敏捷开发和Deep Learning高性能计算平台建设。
郭烽：我是郭烽，刚刚从美国回来，加入易成自动驾驶不久。之前我是在高通，负责高通公司整个计算机识别、机器识别、深度学习系统芯片开发，现在在易成主要是做自动驾驶方面的研发。
赵晓萌：我是赵晓萌。我一直在做搜索和推荐，一年前加入小红书。小红书是做社区电商的，我主要负责搭建完善搜索服务。小红书是以图像为主的社区，图像搜索是很重的一块业务。
杨军：我是杨军，在阿里巴巴计算平台事业部，主要负责对深度学习的优化跟加速相关工作。我们整个部门的产品叫做PAI,是阿里开发的一套同时对外和对内的AI基础设施，我在这边负责底层模型的计算加速，包括训练的加速、inference的加速、Modeling的探索。希望了解彼此公司和行业对deep learning model应用的情况，以及实际应用中对的框架选型和遇到的问题，比如model过大的问题或者计算量过大的问题。
张鹏：我是新浪网的张鹏，在新浪门户。我前10年一直在做工程，最近六七年在做机器学习和深度学习相关工作。我这边主要是侧重深度学习的应用和理论层面的计算可解释性，应用场景主要包括文本生成、人脸检测识别、文章配图、自动配图、视频推荐、OCR等，主要是围绕内容生产和文章分发两个领域。
图片来自https://yq.aliyun.com/articles/57677
彭垚：关于框架选型，比如MXNet、TensorFlow、Caffe、Torch，大家在用哪些？用在哪些场景？
于振华：这几个框架我们都在用。像Torch、Caffe、TensorFlow是研究员人员在用，尤其是比较灵活的PyTorch；需要落地和不停迭代的，用的是MXNet，好处是training效率比较高。深度学习团队针对MXNet投入最多，做了不少自主的优化，大约一半的力量投入在MXNet，开发了比较完备的MXNet通用训练框架。业务层面，无论是基于CNN、DNN和IPM的识别，还是基于Encoder-Decoder的ED框架的翻译，所有的云上代码都是自主开发的，几乎没用现成的开放框架。我们也开发了一些工具，把torch、Caffe、TensorFlow的结果转到MXNet上。
可以这样理解，我们的生产系统是MXNet为主，研究系统是根据各个研究员喜好去做。
图片来自http://echiev.com/index.php
郭烽：今天嘉宾在服务器端比较多，高通和易成自动驾驶主要是在嵌入式端。高通早期以开源的Caffe为主，现在逐渐往TensorFlow上移植。我们的应用是手机端目标检测、人员检测、智能监控、无人机解决方案，Caffe比较易用。另一方面，高通要支持Google的硬件平台，高通整个公司也在转向支持TensorFlow，这是两部分的训练框架。
在应用框架方面，高通有自有芯片，也有自己的神经网络处理引擎SNPE包（Snapdragon Neural Processing Engine）。训练平台的模型都可以转到SNPE，在高通自己的平台上做homogeneous计算，这是现在基本训练选型和实现手段。
在嵌入式端，在训练上不光是简单的模型训练，还要做模型的筛检、压缩、硬件化，包括深度的模型匹配和优化。
图片来自https://www.xiaohongshu.com/
赵晓萌：我们暂时没有自己搭建平台。我们使用的还比较浅，主要针对图像做feature抽取，做图像检测分类，在用Caffe。Caffe有Model Zoo这样预先train好的模型，我们可以直接用。我们跟Caffe团队的成员有一些交流。
同时，我们不排除以后考虑其他品牌，尤其TensorFlow社区在慢慢壮大，可以考虑。
图片来自https://mxnet.incubator.apache.org/
杨军：阿里的框架比较多元化。我们在Caffe上做过优化，比如Caffe多级多卡的优化，包括怎么样把迭代过程中训练图形量降下来。刚才讯飞的朋友说prefer MXNet，阿里更看中TensorFlow。原因比较简单，TensorFlow更popular，更容易上手。
对TensorFlow的优化首先是单卡的优化。TensorFlow自己在卷积处理做得还不错。这块有个趋势，就是会调用优化cuDNN，让英伟达帮我们做更多的事情。但是，它在某些具体OP层面不够好，我们会做优化。在多卡方面，我们做了一些有损的图形优化，包括我们在机器翻译TensorFlow里做了优化，还达到了不错的效果。
TensorFlow本质上是由Google来控制的，对于做云平台的公司会有一点不利。我们判断，TensorFlow的性能在不断的提升，其他的问题还是属于细节的问题，不是框架本身的问题。这就决定了，我们愿意把更多资源投入进去优化框架。
张鹏：我们Deep learning还没有做特别大规模的应用，目前生产环境部署全部是在TensorFlow上面。我们以应用为导向，模型本身看的比较多。我们的模型大概有50%是自己构建的，另外50%是采用开源的模型，尤其是图像领域。在OCR领域，模型基本上都是由我们自己来建的。我们偏重于研究，包括模型、参数和我们自己做的周边工具，工程层面考虑比较少。我们平台的服务器也不是很多，广告加内容自动生产也就大概20台的规模，所以我们关注底层比较少。
彭垚：大家可以对每位嘉宾做提问。我想问杨军，我们之前也是很早测就开始TensorFlow，但是在训练效率尤其是分布式上面，跟MXNet差得特别远。当然我们也没有像阿里这样对每个OP性能调优。整体测试下来，差距还不是一点儿。你们怎么去看这个问题？我们的时间上测试出来是要相差五倍。
于振华：我们在语音上大概差了两到三倍。
杨军：做平台会考虑到一些更general的问题，比如有多少用户关心这个问题。涉及到多机的训练，我们会发现可能90%是不需要多机。另外我们分析业界态势看到，单机里面卡的数量会变得越来越高，比如说现在单机8卡比较多，英伟达已经在研发单机32卡的机器；同时很多场景下可能需要跑到10台以上规模的Model会比较的少。所以对于我们来讲，用户怎么样更容易上手、更容易从社区获得更多建模收益，这是关注的第一点。第二点，因为我不确定你们评估的版本是哪个。TensorFlow的版本演化很快,它刚出来的时候性能很糟糕，甚至在图像领域里也很糟糕，在1.0版本以后，在主流的model里面，TensorFlow单卡图像性能跟Caffe几乎没有差异了。关于优化方面，我们认为相应的场景应用优化早晚会以某种方式提供，一个是我们自己的improvement，一个是TensorFlow内部improvement。
再说多卡和多机。多卡优化的话，我认为不存在本质系统差异。多机的话，TensorFlow确实比较惨，它的主流实现存在一些问题，第一个问题是TensorFlow的多机通讯跟Google内部的通信框架不太一样；第二，它的序列化和反序列化做得不太讲究，因为TensorFlow设计理念很激进，力度很高，一般人看了不太敢下手会改。两个原因造成多机性能更差一些。这个里面会有些变化，并且通过社区也可以知道有大量工作已经在筹备研发中。
所以，我会有这种判断，TensorFlow本身的性能是存在一些潜在的问题，但是更多是一个框架的问题，不存在fundamental的问题。从阿里来看，我们希望找一个让用户获得建模、社区、收益的平台框架，我们在继续投入。这是我们这边对这个事情的一个考量。
我们很关注容易上手这个问题。阿里的子公司很多，有搜索，有广告，有蚂蚁金服，有高德，有优酷，大家使用习惯也不一样，我们会找最大公约数。
目前主要在优化TensorFlow，Caffe花的力气会越来越小。
Caffe工作做得比较早，当时Caffe甚至都没有像样的LSTM的实现，当时是我们自己加进去的。这两年Caffe有很多变化，包括像英伟达、浪潮等很多公司也有相应版本出现。第一，现在已经有趋同情况；第二，Caffe的灵活性，我个人认为已经到极限了。更多的优化不太好把持的，所以我们基本暂时停止了。
杨军：我们会去跟客户negotiate一下，有没有可能去迁到我们TensorFlow平台里面去，如果他不愿意的话，我们考虑做支持。
杨军：你问了一个特别好的问题。如果我个人来看，这是平台公司应用TensorFlow最大的痛点。关于TensorFlow演化的趋势和历程，我们也很头痛。TensorFlow演化过程是由Google强势主导的，阿里作为平台方的期待，不仅仅是Follow Google的趋势，可能在未来希望有一定的自研甚至超越的机制。这个需要一段路程，我们要承认国外的公司进展会更快一些，这是第一个。第二个，优化做重复了怎么办？这是我们该有的代价。做基础设施，我们要先Follow才能超越它，这个过程中需要交学费。而这个cost可能就需要跟管理层沟通好，大概有一个量化的估计，比如说我们在选型时，尽可能避开特别容易发生冲击的点，比如如果这个优化是偏cuDNN层面的，我们一般不会去碰，我们认为是会跟英伟达撞车的；同时，我们也会对TensorFlow优化的方向做预估，我们会找一些基于行业的信息判断、它不太容易进到的开源点会去打，这是我们的态度。对于那些绕不过去的，我们愿意去承担相应的后果。
杨军：我们曾经讨论过是不是接Caffe 2。我们担心的是，这个框架太年轻，而且重新接入新的框架，是不划算的。所以暂时没有考虑用这个东西。
彭垚：我这边感觉PyTorch出来以后，research层面好像是用的最多。不知道大家怎么看？我觉得有些Model、有些training是在PyTorch上面去做，然后inference还是按照自己的inference去推，在做converse之类。大概是这样的做法。
杨军：我的理解是，现在从research角度，不管是从model还是framework角度，Caffe、PyTorch基本上比较成熟，也有一些establish的Model比较好。但是专业的工程开发还是会根据应用的具体情况、流行趋势和support的力度，这个很难讲。我觉得从Caffe、TensorFlow到TPU,业界的形式都是在变化，现在英特尔和高通都出专用的hardware。从工业界来说，我觉得以后还会再不断演进。
杨军：我也稍微补充下我的观点。我知道，Facebook的researcher用的PyTorch，他们市场环境用的是Caffe 2。我个人觉得现在Deep learning社区，或者这个行业，处于一个转变阶段，硬件在变，软件也在变，暂时很难统一起来。到未来的时候可能就剩下一套或者两套，做得比较general。过程中不断地迭代，最终收敛。
彭垚：我感觉，到最后应该会收敛到两三套，不会像现在这么多的Deep learning Framework。
张鹏：最后可能是大厂每人一套，Facebook的Caffe 2，Amazon的MXNet，Google的TensorFlow，Google整个生态包括TPU都是在TensorFlow。我觉得现在工程层面，对深度学习的支持稍微滞后，深度学习理论很多方面还不太完备，大家其实靠经验驱动和靠实验驱动比较多。这些框架都在改，现在看来是呈现加速发展的趋势。所以说，深度学习框架品牌可能会稍微稳定，但是这几大品牌在具体的深度学习任务上，我估计还会走比较长的路。
于振华：通过我们讯飞的一些经验，我认为可能会走两个极端，公司应用角度比较看好还是MXNet，但是另外一个就是无论是高校还是公司研究人员，他们更喜欢灵活的，我认为目前灵活度最高的还是PyTorch。目前他的对抗网络和异地框架都支持的非常好，而且最关键的是，PyTorch网络设备是动态的，所以强化学习对于他来说最容易实现的。而其他框架，目前我们还没有能够把它做的比较现成的东西。
将来，对于高校、研究机构和公司研究人员，灵活性最高的框架可能会是流行度最高的，效率不是他们的首要需求。在企业之外，高校的学生和研究人员实际上也会是风向标。我也面试很多高校研究生，前两年高校里最流行的是Caffe，现在PyTorch在高校中流行度更高。从长久来看，灵活性最高的框架的传播度和大家接受的程度会是更高的。
彭垚：刚刚于振华这边也是说了蛮重要的一件事情，大家在工作环境里边做是分两块工作的，一块是跟实现和产品更相近的，把算法应用到行业工程，另外一块基本上一直在做research Framework相关的。
其实我个人大部分时间都在用PyTorch，因为PyTorch做东西特别快，很多东西很容易上手。
图片来自 https://www.tensorflow.org/
彭垚：下一个话题，聊一下深度学习应用和Research相关的发展情况。
于振华：讯飞在识别效果上、云的规模、落地等方面，都走在比较前列。我们最近在Deep learning这块取得了比较大的突破。我们当初做CNN效果提升比较大，对我们来说是个意外。我们为什么做CNN呢？讲个很现实的工程问题，我们LTM模型考验的核心就是前后帧的相关性。在高性能计算平台上，相关性会导致并发路数会上不来。为什么呢？对任何一路进来的识别服务，它的第N帧跟第N+1帧是没办法并行的，它必须是串行的。但是我们做CNN，在一路上可以多帧并行，这样在inference上会做到比较好的效率实现。
在工程上，我们已经实现了int 8的系统，这个工作大约是两年前开始做。Nvidia的P4和P40都是支持int 8的，理论上int8相当于3倍加速。我们做到了3.2倍。
是的。我们公司也做了FPGA实现。我们还跟Intel合作在微机上做到了0.87到0.89的CPU效果。CPU这块我们投入的就是两三个人和两三个月，实实在在的做到了P4差不多的水平，大概是0.9倍的量级。有个更重要的优势是，现在它的低功耗。
于振华：GPU。P4。
郭烽：我在高通的多媒体研发部门，主要是视觉的应用，包括手机端目标检测和智能拍摄的接口。我们也有智能监控的应用，包括跟海康、大华都有合作，同时也有无人机平台和VR平台。早期我们集中在目标分类，现在关注重点是在图像的目标检测和分辨率提高。
另外，我们还有一块业务是DSP。前面大家对GPU关注比较多，高通芯片是多样化的，有CPU，有GPU，还有DSP。在DSP端做一定研发之后，DSP效果和一些专用芯片得到的效果，尤其是稍早版本的芯片效果，差不太多。到下一代芯片，在DSP端会看到高通有一些成功的应用。高通的DSP的核会开放给OEM用，另外会加上vital process类似于sim效果的DSP，这是早期版本。高通的GPU主打低功耗，我们的目标要求是在1W以下。
易成自动驾驶第一个重点在训练端，包括数据、精度，这是一个最基本的保证。另外，作为解决方案，我们不光是依赖于摄像头，肯定要有多传感器。在多传感器的融合端如何实现深度学习，这是两块业务。第三块业务，因为现在公司不大，英伟达支持讯飞等大公司会比较多，对于不大的公司的支持非常有限，在这种情况下，我们也开发一些适用硬件。
郭烽：易成不完全是一家startup，我们在深圳有一家投资方，他在汽车产业链有一些上下游渠道；同时我们也在做一些早期的研发产品，自动驾驶现在来说为期遥远。另外，从技术角度来说，我们会做融合解决方案。至于解决方案和产业链上的哪些渠道厂商进行合作，还要进行探索。
赵晓萌：大家的分享都比较深。我们不太涉及优化等深度学习本身算法的东西，我觉得我是你们的用户。对我们小公司来说，深度学习的应用和开发趋势很明显：门槛降低的非常快——不管是计算能力，计算机平台，还有Model本身开源。小公司可以做的，就是把这东西尽快的用到业务当中——如果容易上手，更多的人会参与进来。以后应用这些东西，包括在大平台上的使用，可能是创业公司的标配。在内容图片文本方面，我们会做更多的尝试，也会有些比较有意思的应用。我大概就分享这么多。
彭垚：我们继续。杨军讲一下你们现在平台主要的应用点？
杨军：我这边比较典型的是传统的NLP和图像。阿里有广告推荐的经典业务场景，也在开始尝试深度学习做优化。
机器翻译是阿里基于深度学习获得很大提升的项目，比如我们已经完成的离线训练优化。其中单卡比较多，计算比较耗时，我们通过某些tricks获得更优的计算图形比，做些小tuning配合，以获得效果；另外，传统机器翻译和传统翻译的inference很简单，耗时也很短，但是换成神经网络翻译，如果不做优化，它的耗能会高出一个数量级，这块我们会做一些工作。
NLP的应用是在客服机器人。阿里有很多的店铺、商家、买家，与淘宝客服，或者买家跟商家的对话方面，我们会研发机器人减少客服的工作量。
图像方面，阿里会用AI方法做一些智能设计的工作，包括UED的团队希望做的素材生成、素材识别、素材提取。抽象来看，这就是个简单的图像监测识别的问题。在这里面，我们会把OCR的技术应用进去。除了这个，UED能不能根据某些场景、某些信息自动生成一些图片及素材，属于生成学习的范畴，这块是比较艰难的新领域。不过这一年非常火，也有很多的开源的代码。真做项目就会感觉喜忧参半，喜的是开源项目多，忧的是问题也多。我们对这个效果要求很高，所以需要做很多优化及尝试。搜索和广告方面，跟Google会有点相似，不同的是我们输入比较庞大，所以需要在输入层做针对系数的优化，这是它跟NLP和图像不一样的地方。图像场景的优化对于搜索不太适用。
另外就是搜索广告。搜索广告是典型的模型大、计算量大，所以需要更多的机器规模才可以跑的更多一些，对多机的通勤优化要求更为苛刻。这些是离线训练的范畴。
在线预测我们也在做。在AMT里面，我们会用基于Spark的方法，目前的项目大概有近3倍的加速效果，我们还在继续优化。图像这块我们也在做自动化网络，确实存在精度问题，目前在base model上还有两到三个点的gap，说大不大，说小也不小，还有很多要去探索。或者，如何把Model做的更复杂来弥补精度的下降，同时获得性能的加速？这是优化这块的一些事情。
因为历史原因，阿里有很多的线上业务跑CPU的，从机器资源利用率和降低CPU来讲，我们关注CPU会多。这在将来会限制我们的空间，因为CPU有些硬件设计对inference优化并不非常有利。
另外，阿里也在基于FPGA做优化，大概适用图象场景，针对model做吞吐的优化。
于振华：我们在FPGA方面已经有一个落地的东西，大约在单颗芯片上实现了相当于P4 的50%左右性能。如果我在板上装两片MTP，首先设计会很困难，这是其一；其二，这样做得话，功耗上不占优势。我们知道，P4已经做到70W以下的性能，实际上就证明MP路线是对inference绝对可以的。当然我们知道英特尔还会推出新东西，这是很期待的。MP开发还是比较痛苦的，我也参与了做DNN、LTM、CNN、TMC的优化，这个开发难度非常大。如果没有很强的功能能力，我建议不要随便碰，这个东西很痛苦。
杨军：相对比较通用的。这个痛苦是多，本质上底层有个DNN，一块是MP的逻辑实现，一块就是所有的DMP，还有一块将近40%去控制外围的拓扑调度——这个跟做软件差别是很大的。做软件的话，拓扑描述都是Framework本身，我不需要去关注，但是这块是自己去开发的，比较麻烦的。
而且还有个更恶心的是，PSE和DPR做的接口是软实现的，它占了几大类，本身就占掉一块，留给我们的逻辑空间只剩下70%。
杨军：它的功耗大概是70多瓦，但是我们只跑到了40瓦。另外我们知道FPGA能跑500兆，我们最终做到了将近400兆，大约实际功耗是40多瓦，比P3稍微低点。
杨军：目前在分类上做的测试。目标检测会更难、更有挑战。
郭烽：拿手机应用来举例，实际上模型吞吐不是个非常大的瓶颈。说降低模型尺寸和把APP做得小都是忽悠人的，本质上要有提升。就是相当于我们在load的时候是load的int 8然后转成16的，我们这块大约有3%收益；去做int 16的变化，把它到减到int 8，运算还是使用int16，系统性能大约会有40%的提升。高通对功耗要比较高，所以我们注重这些方面。
彭垚：我稍微补充一点点。像郭烽说的，除了技术加入和内存收益以外，他的功耗挺高的。另外，它的优化机制不太一样，这个时候是有优势的。
于振华：现在在语音识别上，我们原来在做DNN的时候，做到六千小时数据，就撞到边界了，就不提升了。刚做MTM，做两万小时，到边界了。我们现在做DEEP CNN，用了半年多，我们发现我们以前不Work的，在nxnet我哪怕做到十万小时他还是有收益的。
当然后面越大，收益率越小。语音识别想占位的话，哪怕是3%或者4%，对我们来说也是非常重要。
就看你做什么/追求什么。如果要抢占第一的话，哪怕是百分之一二的提升也是要去抢占的。如果就想把它落地做个比较好的应用，我觉得是做到一定程度就足够了。
彭垚：新浪张鹏聊一聊最近的进展？
张鹏：我们现在的工作重点是帮助内容生产，工作重点是提升生产效率。一方面是机器文本内容的自动生成，用在突发事件的报道以及转播。还有一个领域是自动配图。很多文章是没有图的，编辑人工找图是非常大的工作量，我们会用算法做匹配。再有就是自动切图——也是跟图像相关的。自动切图的内容生产量比较大，在各个客户端适配的时候，我们会对人脸物体都做相应的检测，然后根据情况提供最佳的切图建议。
还有一部分就是视频推荐，视频推荐主要是我们在尝试理解视频的内容。视频可以有很多标签，但是目前它能够提供的文本信息很少，所以这方面我们也做了一些工作。这方面我们用Google的Inception V3，把里边的视频信息提取物体特征，我们自己做了FrameNetwork，主要是把视频映射到自己的语义空间里面去，然后根据用户的行为来做推荐。未来继续提升内容的生产和分发效率。我们也在看图像增强，因为我们现在图像质量不是很高，但是还没有什么比较有效的解决办法。
彭垚：七牛是云服务厂家，跟阿里云差不太多。不一样在于，我们的客户都是短视频，或者直播，或者是社交的APP，我们这边对AI的大部分需求都是在图片和视频，比如给社交场景做图像标签。我们平台上有各种各样社交软件，像男同社交、女同社交、短视频。我们需要识别非常少见的内容，比方男的穿黑丝袜。我们通过客户提供的少量素材，依靠快速的Learning，之后爬取，再滚动做标注，有很多APP层的training迭代。我是主要在做的工作。
我比较好奇，阿里的客户都用你们的平台去做什么？
杨军：像小蚁是一个小米生态系统的公司，他做视频的分析和解析工作。像机器人公司，对NLP处理会有诉求。搜索推荐场景在我们的深度学习平台比较少。比较多的是以图像为主，语音少一些。我的判断是，语音的技术门槛相对比较深，产品形态相对不是那么多样化，更多是被几家比较出色的公司垄断了，比如讯飞，不像图像能够开放和多元。
图片来自 http://caffe.berkeleyvision.org/
彭垚：我们做视频相关，我觉得影视多线索标注有很大提升空间。现在的Learning可以做到非常少的标注，多线索标注还在Research的阶段。
杨军：我认为，对抗生成学习GAN（Generative adversarial networks）和强化学习未来会有更大的发展空间。
原因有两个，一是对抗生成在一定程度上可以帮我们解决样本稀缺的问题，二是它会把我们的视角从判别问题领域更多走向生成领域。
强化领域我比较关注，是因为我发现，有更多的工作可以通过限制反馈来拿到结果，大量节省了获取样本的成本。比如说像最近深度学习训练的多卡的placement有最新的工作，大概是5月份Google已经有这样的信息出来。这就是典型的一个Reinforcement Learning，来减少标准样本做优化的过程。我也非常看好组合优化的问题。
强化学习引出一个新问题。很多时候想用reinforcement learning去做一些事情，就会发现硬件不够了。这可能会推动新一轮的硬件变化。我自己看中GAN和reinforcement learning两个方向。
郭烽：我比较关注的是在目标方面的应用。在图像上面，单祯图片不管是目标检测还是目标分类都比较多，但是对目标追踪没有比较好的方法。怎么能简化运算量，同时提升智能效果，我觉得还有些值得探讨的地方。
另外一大块，是深度学习的应用、深度学习的公众化。以后如果手机端的硬件大规模普及，手机端智能应用发展起来，可以有各种各样单祯或者视频流的分析应用场景。是不是在手机端能够铺开，这是个值得关注的点。
于振华：从我的理解，不管是高通，还是海思，都在做深度学习的专用芯片。我估计未来要不了多久，基于深度学习专用芯片肯定会有的，可能不会面向普通的开发者，而是会面向比较大的客户。这是第一。
第二，刚才于总提到的GPU，至少从我的理解，一般不会用GPU来做移动端大规模计算。一旦你把在手机上把GPU打开，特别是连续待机，功耗非常大。GPU应用会有限制。这是我的基本理解。
张鹏：我有两个问题。我们一直挺关注合成语言领域，未来内容分发很可能是通过语音的。在个性化的语音生成这块，讯飞进展如何？在语言识别领域，尤其是在高背景噪音的情况下，现在公开出来的几种技术都非常糟糕，比如鸡尾酒会问题等，讯飞这方面进展如何？
于振华：我先回答你第二个问题。环境嘈杂和多人说话，实际上不能单靠软件，肯定要结合硬件，包括多麦克。会议室很大的问题是混响，如果不结合硬件的话，效果也是不太好的。结合硬件系统，将来的解决方案，对于鸡尾酒会问题或者会议室环境噪音，都是能够有效解决的。目前的会议效果会差些，基本上能做到80%以上的准确率。用手机输入法会好些，因为人知道在对计算机讲话，他会配合、会特别注意语音语调语速，所以输入法能做到97%或者98%。
第一个问题方面，我们以前做语音合成有70%是像的，30%是不像的。我们现在做什么水平？可以做到都是相同的。70%以上他讲的内容是我们平时熟悉的人分辨不出来的，听不出来是录音还是机器合成的。剩下的30%的内容，熟悉的人可以察觉，一听声音就知道是谁，但是能分辨这不是他自己在说话。
赵晓萌：我们现在深度学习用的比较好的，是把图片用CNN向量化，文本用doc2vec去向量化，然后通过浅的神经网分类器，能够把主题等东西识别出来。
我们还有一个比较有意思的应用。有一段时间，小红书上面脸上长痘子的特别多，不是每个人都喜欢看到长满痘子的照片，我们就做了一个能够识别痘痘脸图片的应用，CNN可以非常好的识别全脸、半脸、甚至1/4脸的图片，有少量器官的图片都会识别出来。这个对我们来说很有用。
下一步，在深度学习方面要做的是，把搜索和推荐系统从统计搬到深度学习上。我们会参考平台提供的解决方案，也会读一些这方面的paper自己来试一试。以后，一切比较牛B的我们觉得很好的事情，比如用户分享图片的质量，甚至是图片的逼格，我要识别出来这种图。我们想研究用户穿衣的style和风格等方面，比如都是鞋，用户更喜欢哪种鞋；都是眼镜，用户更喜欢哪些眼镜。这个是不太好拿出来去搜的，但是能从用户交互的过程中，通过深度学习把相应特征提取出来。我觉得对我们来说非常有用。
彭垚：最后大家轮流总结一下。我感觉收获比较大，老于介绍了语音方面的东西，包括平台上的优化。听了杨军在平台上做优化，我感觉我们对TensorFlow的投入不够，值得花点时间再看看。
于振华：我们在图像图片领域也是刚刚起步，跟大家学到挺多。大家在不同平台投入的都挺多，我们也要加大些投入了。
郭烽：首先非常高兴认识大家。我刚回来没多久，在国内能认识大家，很高兴。在深度学习方面，不管是从应用层还是从实验层，大家见解也非常深，对我也是个很大的提高。我分享了一些比较底层的东西，受众稍微少一点，希望今后和大家多交流。
赵晓萌：我今天学到很多东西。我原来关注底层优化比较少，听了大家的交流，我想还是先借用大家的已有优化成果。
杨军：我之前并没有接触过PyTorch，今天不只一位朋友在提PyTorch，我会关注一下。通过交流，我确实了解到很多use case，高清图片生成、讯飞语音、小红书图片搜索、新浪内容业务和郭烽自动驾驶都蛮不一样的。我们做平台，最需要知道顶层应用有哪些困扰，这是我觉得有收获的地方，可以说超过预期。
张鹏：我最大的感受是大家比较多样。我这边一直是做应用很多，底层考虑较少。对我们来讲，应用场景不成问题，现在最大的问题就是成本。我们也在测阿里的云服务，未来应该还会有比较深入的合作。谢谢大家。
彭垚：感谢大家，大家的分享都非常精彩，我也受益匪浅。希望之后大家常联系。今天就到这里。
极客邦旗下的高端技术领导者社群EGO，汇聚全国400余位技术大牛，链接技术圈顶级资源，提供闭门会议、主题论坛、在线社群等丰富的学习交流形式，助力技术领导者开拓视野、提升能力、解决问题、达成合作，精准把握时代脉搏！