长久创下，一一说到 “美图新公司”，你们能一一说到的不过科技信息上 “美图秀秀”、“美颜相机”、“美拍” 另一科技信息多个方面那么多多那么多多美颜类其产品，而为另一多个方面那么多多那么多多其产品提供全面 AI 核心技术鼓励的美图影像实验室（一是简称 MTlab）一直创下鲜为人知。宣告成立于 2010 年的 MTlab，不过上 不止是两个实验室 —— 它科技信息在美图其产品线背后角色设定着 “大脑” 的角色设定。在 MTlab 的工具箱里，深度持续努力学习模型和 TensorFlow 才是最有效的利器。
美图各个其产品的基础功能最后决定了，MTlab 会较多以及选用过计算机视觉核心技术。
“2013 年直到，MTlab 用过机器持续努力学习做计算机视觉多个方面的研发。最早做更让人人脸紧密相关 核心技术，当然美颜算法。”MTlab 负责人万鹏飞告诉他 PingWest 品玩，“那那时候开源工具还不过上 另一多个方面那么多多那么多多那么多多丰富，那么多多的算法和工具需要更大为不过上 手动持续努力实现。”选用传统做法机器持续努力学习做的事情计算机视觉的好处是，贯穿训练复杂过程 不过透明，允许研发人员更大地评估训练看到 的算法，有不过在训练自然环境当然一直创下最有效。但不足在前里是，人工提取特征的我的工作量大，另一多个方面那么多多那么多多鲁棒性差。万鹏飞对 PingWest 品玩接受采访，那那时候候为不过上 面临的一是核心技术挑战，这正 “算法在各种各样极端从用户 以及选用场景下的鲁棒性”。借助深度持续努力学习的卷积神经图片来源来源模型，能比较比较不错 还有解决好两个还有解决好。“深度持续努力学习那么多多的表现数据驱动的两个方法，在鲁棒性多个方面比传统做法计算机视觉算法有比比较明显 突出优势 。”万鹏飞说。最后决定选用深度持续努力学习后，为不过上 最早以及使以及选用框架是 Caffe。两个深度持续努力学习框架于 2013 年在 Github 上最新发布，原创作者是加州大学里伯克利分校的贾扬清博士。2015 年，Google 最新发布深度持续努力学习开源框架 TensorFlow，“MTlab 没多久你你去解两个工具”。2016 年，MTlab 直到在项目一中尝试用 TensorFlow。
万鹏飞重点告诉他道，MTlab 用 TensorFlow 最早做更让人图像去噪，贯穿好像较为灵活，对自定义的图片来源来源结构较为友好。两个灵活的深度持续努力学习框架一直创下算法自研很关键在于性 ，为不过上 那么多多的实际的还有解决好需要更大借助那么多多的创和新两个方法还有解决好，而两个好以及选用深度持续努力学习框架无疑能大幅提升计算机视觉算法研发的效率。没多久，TensorFlow 凭借着灵活的特性变变成为不过上 一是的深度持续努力学习框架。2016 年 MTlab 在用深度持续努力学习做人像分割基础功能时，初期以及选用 Caffe 持续努力实现自定义的卷积神经图片来源来源层较为方便，需要更大为不过上 持续努力实现前向 / 反向传播算法。Debug（调试）小操作看到 也较为麻烦。“那那时候候以及选用了 TensorFlow，其基于 dataflow graph（表现数据流向图）的计算结构一直创下自定义的深度持续努力学习小操作很友好，也便于 debug。” 万鹏飞说，“当然对循环神经图片来源来源的鼓励也较为好，大大大幅提升了研发效率。”不过上 ，TensorFlow 不过上 被应用在美图旗下其产品多个基础功能的图片来源来源训练中，如肢体关键在于性 点检测、五官预测、人像分割、图像画质大幅提升、天空分割。万鹏飞对 TensorFlow 负面评价颇高：“TensorFlow 的分布式训练能力强，大大大幅提升了深度持续努力学习图片来源来源的训练效率。”万鹏飞另一多个方面还一说到 TensorFlow 社区对 MTlab 的渡过难关 。完善的官方文档明显 、丰富的课程、当然对新手友合适互助氛围，都吸引住着更大开发者中途加入 TensorFlow 社区。
TensorFlow 官方而在持续努力促进社区的壮大。在今年今年年初在前个这个世界工智能大会上， TensorFlow将举办“智在启无限”主题论坛，邀请欧美国家外各不各不相同其它领域，数十位重量级嘉宾，共同探讨机器持续努力学习有不过在商业中应用，渡过难关 制造企业和开发者还有解决好这正 生活这正 生活现实的还有解决好：
TensorFlow 欧美国家其产品总监将深度解析机器持续努力学习的内核；通用电气贝克休斯高级总监将分享有不过确保安全生产、预测组件寿命和该系统异常、尽量意想不到停机；网易严选算法总监将分享有不过持续努力实现季节性商品销量预测、大幅提升从用户 点科技信息击、节约仓储和供应链成本；腾讯医疗大表现数据科学家将分享有不过优化从用户 意图正确理解、为人民医院、人民医院和病人提供全面更优质的增值服务。当然那么多多的前沿的机器持续努力学习研究工原创作者们也将抵达本次论坛，分享机器持续努力学习在文化和艺术其它领域已取得突破的实操经验。