雷锋网按： 在刚刚过来的 2018 Google I/O 开发者大会上 ，CEO Sundar Pichai 向大家演示了 Google Assistant 的新技艺，这个 AI 助手可以帮主人给餐厅打电话定座位，发音酷似真人，可以像人一样闲谈，还会诘问。自从三年前 Google 提出 AI first 的口号以来，其在 AI 范畴的规划狂飙突进，收买了三十多家 AI 创业公司，同时，不只在学术层面上对人工智能停止研讨，也将研讨效果投入实践使用。
据维基百科引见，机器学习平台 TensorFlow 最后由 Google Brain 团队开发，用于 Google 的研讨和消费，2015年11月9日，Google 宣布开源 TensorFlow，一切人都可以经过计算机和网络运用该平台。 Google 旗下的 50 多个产品，如语音辨认、Gmail、Google 相册和搜索，都运用了 TensorFlow 深度学习零碎。
雷锋网
(大众号：雷锋网)
对基于 TensorFlow 开发的各种使用实例停止了清点，以飨读者：
Google 神经网络机器翻译
2016年9月 Google 发布了翻译技术的打破性研讨：神经网络机器翻译零碎（GNMT：Google Neural Machine Translation）。同年11月，这项技术正式被使用到 Google 翻译中，并支持包括英语和法语、德语、西班牙语、葡萄牙语、中文、日语、韩语、土耳其语八组言语的互译。不同言语间翻译的误差成绩不断是机器翻译需求攻克的难点。TensorFlow 和 Tensor Processing Units （TPUs）为 Google 神经网络机器翻译模型特别打造硬件减速器，经过不再将句子中的词和短语独立翻译，而是对完好句子全体处置，将翻译误差降低了 55% ~ 85% 。
GNMT 翻译原理
该零碎借助最先进的机器学习技术，经过对整个句子停止全体翻译而非逐字翻译，大幅进步了 Google 翻译的准确度与流利度。同时，Google 在其中还树立了端对端学习零碎，这让整个翻译零碎可以自行在翻译中停止学习和训练，并使翻译程度取得进一步提升。
GNMT 大幅进步机器翻译程度
视频内容辨认 API
Google Cloud 视频智能 API 运用弱小的深度学习模型，基于 TensorFlow 等架构停止开发。这款 API 是首款可以让开发者轻松搜索和发现视频内容的 API，开发者可经过在视频内容中提供有关实体（例如狗、花、人等名词，以及跑、游泳、飞行等动词）信息完成搜索。当这些实体呈现时，这款 API 甚至可以提供语境了解。例如，搜索“老虎”将会找出存储在 Google Cloud 视频集中一切包括老虎的精准镜头。
除了这款视频智能 API，Google Cloud 机器学习已添加了一整套越来越多的 API：视觉（Vision）、视频智能（Video Intelligence）、口语（Speech）、自然言语（Natural Language）、翻译（Translation）和求职（Jobs）。这些 API 可让客户搭建可以看、听、了解非构造化数据的下一代使用顺序，极大地扩展了机器学习在下一代产品引荐、医疗图像剖析、欺诈监控等众多范畴的运用范围。
增加数据中心动力耗费
Google 的数据中心的运转和降温需求耗费少量动力。为增加让设备降温所耗费的动力，Deepmind 经过监测搜集数据中心温度、功率、转速等数据，并用此数据训练深层神经网络。此外，Deepmind 还训练了两个额定的深层神经网络，以预测将来数小时数据中心的温度和压力。机器学习零碎运用于冷却的动力增加了 40%，相当于 15% 总动力耗费。
黄瓜智能分拣贮存零碎
日本的一位菜农运用 TensorFlow 为他播种的少量黄瓜树立了一个自动分拣贮存零碎。自动拍摄图片后，首先图片会被上传到一个小型的 TensorFlow 神经网络零碎上被剖析，以辨认图片内容能否是一根黄瓜。随后图片会被上传到一个更大的神经网络零碎来停止更进一步的剖析，从而将黄瓜按颜色、大小的不同，自动分拣成多达九个不同的质量级别，大大进步了分拣效率和精确度。
农业：TensorFlow 助力奶牛养殖
奶牛的安康关于产奶量有着十分大的影响。假如科技艺让奶牛愈加安康，就可以进步牛奶的产量，并协助奶农进一步开展本人的产业。Connecterra 公司应用 TensorFlow 来了解并诠释奶牛的各种行为，为奶农提供畜群的安康情况等信息。奶农只需经过一个叫 Ida 的 手机 App，便可轻松检查奶牛一天的生活轨迹和安康信息。
农业：辨认生病植物
高中生 Shaza Mehdi 和 Nile Ravenell 开发了一个名为 PlantMD 的 APP，该使用顺序是在 TensorFlow 上运转机器学习的模型，同时从 plantvillage.com 以及一些大学的数据库中搜集数据，用于训练该模型去辨认生病的植物。Shaza 还开发了一个 APP，运用相似的办法可以诊断皮肤病。
生态维护：寒带雨林监控设备
Topher White（Rainforest Connection 的开创人）创造了 “The Guardian” 设备来阻止亚马逊地域合法砍伐森林的行为。该设备由旧手机晋级改造而成，同时借助 TensorFlow 运转。它被装置在树上，遍及整个森林，经过辨认电锯和伐木工程车的声响，向管辖该地域的管理员收回警报。而假如没有这些安装，就必需依托人力来监视管理这一片区域，很难掩盖大面积地域。
Topher 在亚马逊地域的挺拔树木群中装置监控设备
生态维护：澳洲濒危海牛追踪
像很多大型陆地哺乳植物一样，海牛面临着濒危的地步。为更好地维护它们以及它们的栖息地，野生植物维护者需求对它们的数量与地位停止追踪研讨。研讨员应用 TensorFlow 的最新图像辨认技术，让电脑“学会”了辨认巨型航拍图中的海牛。机器辨认的速度远远超越了人工，精度也是肉眼的 1.4 倍。
提示：两头靠下地位的银灰色小点就是一只海牛
生态维护：闻声识鸟，维护鸟类
维多利亚大学博士生 Victor Anton 努力于追踪新西兰濒临灭绝的鸟类，以改善对它们的维护任务。他搜集了 5 万个小时的音频并将其转换成谱图，经过 TensorFlow 愈加疾速高效地剖析这些音频，辨认谱图中的鸟鸣声。他希望此研讨可以为新西兰将来的植物维护任务提供有价值的信息。
Victor Anton 在 Google I/O 大会上展现这款使用
医疗：糖尿病视网膜病变诊断
糖尿病视网膜病变是目前越来越被人们注重的致盲病因，目前全球范围内有 4.15 亿糖尿病患者面临视网膜病变的风险。若发现及时，该病可被治愈，但若未能及时诊断，则能够招致不可逆转的失明。
经过与印度和美国的医生亲密协作，Google 创立了一个包括 12.8 万张眼底扫描图片的数据集，用于训练一个检测糖尿病性视网膜病变的深度神经网络。经训练后的模型可自动挑选疑似病变的眼底扫描图，其精确度甚至超越了专业医师的均匀程度。高精度的糖尿病性视网膜病变自动化挑选法具有很大潜力，可以协助医生进步诊断效率，使患者尽早失掉医治。同时，Google 仍在增强与视网膜研讨范畴的专科医生协作，以便确立更具参考价值的量化权衡规范，并且仍在探究如何将此研讨效果与 DeepMind 的 OCT 研讨停止结合，以便进一步协助医生们对糖尿病视网膜病变和其他眼部疾病停止诊断。
此图为一张眼部视力曾经遭到视网膜病变要挟的眼底图像，
机器学习的剖析可以将此图中不只限于眼部安康的信息提供应医生
医疗：协助医治头颈部癌症
在75名男性和1名女性中，有 1 / 150 的女性在终身中会被诊断为口腔癌，而自上世纪 70 年代以来，口腔癌症的发病率曾经上升了 92%。每年，仅在英国，头颈癌就会影响 11000 多名患者。放射医治等医治的停顿进步了生活率，但由于人体具有少量精密构造，临床医生必需极端小心肠方案医治，以确保没有任何重要的神经或器官遭到损伤。在停止放射医治之前，临床医生必需制造一张详细的身体部位地图。这个进程被称为“细分”，包括应用解剖学原理对人体不同部位停止绘制，并将信息传递给放射医治机器，这样就可以在保证安康组织残缺无损的状况下，锁定癌细胞。
在 Deepmind 与英国伦敦大学学院医学院的研讨人员协作展开的一个项目中，机器学习参与到了医治方案的设计进程中，协助医护人员细分癌变组织和安康组织。在机器学习的协助下，细分进程由 4 小时左右延长到 1 小时左右。进步了放射医治的效率，同时束缚了临床医生的工夫，使他们能有更多工夫投入到病人的护理、教育和研讨任务当中。
头颈癌患者的 CT 扫描图
食品平安：进步食质量量的把控
对大少数行业来说，质量把控是一个应战，但在食品消费范畴，这是最大的应战之一。反省和依据成分好坏停止分类是食品公司的首要职责。但是一切的手工反省都费时费力，并且管理和人力本钱昂扬。
日本的食品公司 Kewpie 公司运用 TensorFlow 开收回一个工具，该工具可以从婴儿食品中所运用的切块土豆检测出有缺陷的局部，公司的主管Takeshi Ogino 引见道:“人工智能以近乎完满的精准度挑选出有缺陷的食材，这对我们员工来说几乎振奋人心"。
对土豆切片停止检测分类
地理：用机器学习寻觅未知行星
Google AI 团队的一名机器学习研讨人员与德克萨斯大学奥斯汀分校天体物理学家停止协作，将机器学习技术运用到了太空探究中，让机器学会了辨认绕着悠远恒星公转的行星。研讨人员应用超越 1.5 万个经过标志的开普勒太空望远镜信号的数据集，训练基于 TensorFlow 树立的机器学习模型，来区分行星和其他天体。它辨认行星信号和非行星信号的精确率高达 96%，并发现了两颗新行星：Kepler-80 g 和 Kepler-90 i。目前，研讨人员只是用此模型探究了 20 万颗恒星中的 670 颗。
研讨人员运用这个模型在670颗恒星数据中寻觅新行星，发现了2颗此前研讨脱漏的行星
地理：TensorFlow 辨认陨石坑
宾夕法尼亚州州立大学的博士研讨生 Ari Silburt 和他的团队为理解开太阳系来源的机密，需求把太阳系中的陨石坑做成地图，这样才干协助他们找到太阳系中已存在的物质构成的地位和构成工夫。而在过来，这一进程需求用人的双手来完成，既耗费工夫又会遭到客观影响，后来，他们应用 TensorFlow 用现存的月球照片训练了机器学习模型，使整个进程完全自动化，并且曾经使其识别出了超越 6 千个新的陨石坑。
左侧这张月球的照片，很难分辨出陨石坑散布在哪里；
而右侧这张图片，经过 TensorFlow， 我们可以明晰地看到陨石坑的散布
从以上案例可以看到人工智能是如何经过一些能够还未被大家发觉的方式影响我们的生活，以及世界各地的人们是如何应用人工智能构筑他们本人的科技，TensorFlow 在全球范围内驱动着科技的开展，等待可以看到更多更精彩的使用，等待科技带给我们更多美妙与惊喜，雷锋网也将继续关注 AI 世界的一切，为大家带来最片面、最深度、最前沿的科技报道。
如今关注“雷锋网”微信大众号（leiphone-sz），回复关键词【2018】，随机抽送价值 3999 元的参会门票 3 张
。
