---

2017年深度學習十大趨勢預測

本文作者曾經多次預測了技術發展的趨勢，最近的一次預測是“2011年軟件發展的趨勢與預測”。10項預言中，準確地命中了6項，比如JavaScript VM、NoSQL、大數據分析、私有云、Scala語言等等。今年，他對深度學習的發展趨勢做了一個預測，主要是研究領域的趨勢預測，而不是工業界的應用。

深度學習框架Caffe源碼解析

作者按：相信社區中很多小伙伴和我一樣使用了很長時間的Caffe深度學習框架，也非常希望從代碼層次理解Caffe的實現從而實現新功能的定制。本文將從整體架構和底層實現的視角，對Caffe源碼進行解析。

Google使用機器學習助力數據中心節能

虛擬的網絡世界都是以現實世界為基礎的。當我們瀏覽網站、發送郵件、上傳視頻灌水論壇時，這些數據都將流經占地面積超過足球場的數據中心。數據中心內成千上萬臺服務器每秒鐘消耗的能源都非常驚人。全世界所有的數據中心消耗的能源總和約占全世界用電量的2%，如果不加以控制，能源的消耗也將會如同互聯網使用一樣大爆發。所以，給數據中心能源消耗瘦身這一任務迫在眉睫。

輕量級大規模機器學習算法庫Fregata開源：快速，無需調參

Fregata是TalkingData開源的大規模機器學習算法庫，基于Spark，目前支持Spark 1.6.x, 很快會支持Spark 2.0。目前Fregata包括了Logistic Regression, Softmax, 和Random Decision Trees三中算法。

三種算法中Logistic Regression, Softmax可以看作一類廣義線性的參數方法，其訓練過程都依賴于凸優化方法。我們提出了Greedy Step Averaging[5]優化方法，在SGD優化方法基礎上實現了學習率的自動調整，免去了調參的困擾，大量的實驗證明采用GSA 優化方法的Logstic Regression和Softmax算法的收斂速度和穩定性都是非常不錯的，在不同數據規模，不同維度規模和不同稀疏度的問題上都能取得很好的精度和收斂速度。

知識圖譜如何讓智能金融“變魔術”

智能金融，顧名思義，就是人工智能在金融領域的應用。智能金融還是一個比較新的方向，整體上還處于探索的階段。首先，我們需要澄清它和其他一些概念如金融科技、互聯網金融的區別。

過去幾年來，“金融科技”（Fintech）成為一個熱門詞。但是大部分的金融科技產品，例如銀行借貸、券商研究、早期投資、對沖基金、外匯支付等還是停留在對金融信息獲取、統計量化模型、交易完成的信息技術（IT）保障上。智能金融則再進一步，試圖用機器學習、知識表現等人工智能的分支來做決策支持。

總結

以上是生活随笔為你收集整理的2017年深度学习十大趋势预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。