谷歌大腦高級研究員Jeff Deam本周表示，谷歌仍在使用CPU和GPU去訓練機器學習模型。不過他預計，未來谷歌將越來越多地使用TPU。

　　與此同時，谷歌還發布了“TensorFlow研究云”。這是由1000顆云TPU組成的簇，在滿足某些條件的情況下谷歌將免費提供給研究者使用。如果希望使用，那么研究者必須同意公開發表研究成果，或許還需要開源研究中的相關代碼。

　　谷歌推出TensorFlow研究云的目的是加速機器學習的研究進展，并計劃將其分享給哈佛醫學院等學術機構。

　　對參與非公開研究的人士，谷歌計劃啟動云TPU Alpha項目。

　　TensorFlow Lite

　　在I/O上談到Android的未來時，谷歌工程副總裁宣布，他們將推出一個專門為移動設備而優化的TensorFlow版本，稱為TensorFlow lite。

　　用這個新框架，開發者可以創造更簡潔的深度學習模型，讓它們運行在Android智能手機上。不過，深度學習的訓練過程還是需要在云端完成。

　　谷歌打算今年晚些時候推出TensorFlow lite API并開源。

　　Facebook今年F8開發者大會發布的Caffe2，和去年推出的Caffe2Go，也是這個思路。

　　讓AI設計AI

　　谷歌想讓AI變得更加“平易近人”，簡化神經網絡模型的建造過程是個好辦法。

　　CEO劈柴哥在官方博客上說，現在，設計神經網絡非常耗時，對專業能力要求又高，只有一小撮科學家和工程師能做。為此，谷歌創造了一種新方法：AutoML，讓神經網絡去設計神經網絡。

　　谷歌希望能借AutoML來促進深度學習開發者規模的擴張，讓設計神經網絡的人，從供不應求的PhD，變成成千上萬的普通工程師。

　　手動設計神經網絡的難點在于，所有可能的模型都有著巨大的搜索空間，一個典型的10層神經網絡，變化形式高達約1010種。

　　△ 谷歌耗費數年探索出的GoogleNet網絡架構

　　在AutoML中，一個主控的神經網絡可以提出一個“子”模型架構，并用特定的任務來訓練這個子模型，評估它的性能，然后，主控收到反饋，并根據反饋來改進下一個提出的子模型。

　　這個過程，簡單來說就是：生成新架構-測試-提供反饋供主控網絡學習。在重復上千次后，主控網絡學會了哪些架構能夠在已知驗證集上得到更高的準確率。

　　谷歌用了兩個經常作為基準的數據集來測試他們的模型，一個是圖像識別領域的CIFAR-10，另一個是語言處理領域的Penn Treebank。在兩個數據集上，自動設計的神經網絡準確率都能與頂尖人類專家設計的網絡媲美。

　　△ 兩個用于在Penn Treebank上預測下一個詞的神經網絡：左圖出自人類專家之手，右圖由算法自動設計

　　要深入了解自動搭建神經網絡的算法，可以看看谷歌今年的兩篇會議論文：

　　進化算法：

　　Large-Scale Evolution of Image Classifiers

　　https://arxiv.org/abs/1703.01041

　　Esteban Real, Sherry Moore, Andrew Selle, Saurabh Saxena, Yutaka Leon Suematsu, Quoc Le, Alex Kurakin. International Conference on Machine Learning, 2017.

　　強化算法：

　　Neural Architecture Search with Reinforcement Learning

　　https://arxiv.org/abs/1611.01578

　　Barret Zoph, Quoc V. Le. International Conference on Learning Representations, 2017.

　　其他

　　這次I/O大會還有很多其他有意思的看點，這里精選一些。

　　各種數字

　　月活安卓設備已達20億部，還有5億活躍的Google相冊用戶，每天產生12億張照片或者視頻。Google地圖每日導航超過10億公里。Google Drive云存儲擁有8億用戶。人們每天觀看10億小時YouTube視頻。

　　Lens