TensorFlow技术发展与落地实践
本次分享的主要内容包括以下四个方面:首先是深度学习简介；其次是TensorFlow简介；然后讲解了深度学习在服装设计方向的机会与挑战；最后重点介绍深度学习的落地实践。
一、 深度学习简介
1.1 深度学习的发展
阿尔法围棋（AlphaGo）是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人， 从AlphaGo开始， 人工智能正式走入了大众的视野， 在10月18日，AlphaGo的父亲DeepMind团队推出了AlphaGo Zero，从0训练用了40天时间，以100：0击败了当今的世界围棋第一AlphaGo，AlphaZero在去年底通过自我对弈，就完爆上一代围棋冠军程序AlphaGo，且没有采用任何的人类经验作训练数据，不管是AlphaGo还是AlphaGo他们的原理都是深度学习。
1.2 深度学习的动机
计算机语言一般都是按照固定流程完成任务，但是有一些任务，比如下五子棋、无人驾驶，人脸识别等，很难把他们的流程描述出来。这个时候就需要用到人工智能的方式来实现这些流程不确定的工作。
1.3 深度学习的原理
深度学习是指训练神经网络，把样本x输入神经网络，每一个特征都与所有的神经元相互联系，通过习得一个函数，映射到输出y。
神经网络的结构包含输入层、隐藏层、输出层三部分，以判断零件是否合格为例，一个神经网络可以是输入层输入零件的长度和零件的质量，把参数权重w、偏置b和输入x做wx+b运算，再通过**函数**得到神经元的值传到输出层，如果输出大于0则零件是合格，否则不合格。
输入层（Input layer），众多神经元接受大量非线形输入x。输入的x称为输入向量。
输出层（Output layer），x在神经元链接中传输、分析，形成输出结果。输出的x称为输出向量。
隐藏层（Hidden layer），简称“隐层”，是输入层和输出层之间众多神经元和链接组成的各个层面。
1.4 深度学习的案例
神经网络在自然语言上的应用：
情感分类：理解情感的语义，先把文字抽象成特征向量，把特征向量输入到神经网络，经过一系列的运算得到正负值，正代表着好评，负代表着差评。
神经网络在图像上的应用：手写数字识别、目标检测
输入图片得到像素矩阵，然后把像素矩阵输入到神经网络，进行目标检测，目标识别，识别出图片中的人、狗和椅子，手写数字也是同理。
目前google也在使用深度学习的方式来做推荐：
1.5深度学习的趋势
可以看出从2012开始，深度学习的热度持续增高，一直到2017年都处于持续增长状态。2015年国内开始兴起人工智能，到2018年，经过这三年的发展，人工智能的技术已经得到很好的发展，在各种细分的领域得到很好的应用。
二、TensorFlow简介
2.1 TensorFlow的前身
TensorFlow是一个实现深度学习的框架，两者相辅相成，互为基础，他的前身是DistBelief，DistBelief只支持CPU，原因是google内部的CPU资源非常丰富，可以通过并行的方式，实现高速度。
2.2 TensorFlow介绍
DistBelief后来发展为了TensorFlow，TensorFlow不依赖Google内部系统和架构，能够支持GPU。
2.3 TensorFlow早期版本变化
TensorFlow不断的再创新，增加新功能，迭代速度是非常快的。
从2015年以后，TensorFlow的流行度远超其他深度学习框架。
四款常用的深度学习框架比较：早期的时候图像的框架多用caffe，但是TensorFlow的学习资料会更多一些，所以刚入门的新手推荐用TensorFlow。
三、深度学习在服装设计方向的机会与挑战
3.1 深度学习落地行业
随着深度学习的发展，深度学习已经和很多行业结合起来，比如AI+金融，AI+医疗等，但是在服装设计行业还很少，就目前来说，AI+服装行业还是一片蓝海。
3.2 服装设计行业存在的难题
国内的时尚一直以来都是紧跟欧美时尚，国内的服装设计师通过不断的寻找欧美的时尚素材，然后进行二次创造，但是创作的过程存在两个问题，一是时尚素材过于散，查找困难，二是设计师难以理解淘宝上的相关服装数据，没办法利用这些数据服务于设计，这也是知衣科技想要解决的问题，知衣科技是一家AI电商解决方案提供商，利用图像识别、个性化推荐等人工智能技术为电商行业提供人工智能解决方案，辅助设计师完成服装设计。
下图是淘宝的数据工具：
3.3 服装设计问题
1）多源：如果有上千个品牌方，就有上千个官网，还有很多的时尚网站，如何去收集这些信息其实是一个难点。
2）异构：设计师需要参考的既有图像类的非结构化数据，也有文字这样的半结构化数据，还有交易结构化数据，如何将这些数据有机的串联起来存在挑战。
3）海量：在互联网上有上百亿的服装信息，上亿的商品交易信息。
如何去处理这些图片、文字、交易信息，去帮助设计师去选款是知衣科技要解决的问题。
四、深度学习的落地实践
4.1标签问题和解决办法
深度学习的识别和分类都是比较成熟的技术，但是如何把这些技术应用到服装行业确是一个新的问题。目前时尚图片的标注数据准确率低，因为时尚是一个专业性的东西，并不是每一个人都能理解时尚，所以很难标注，知衣科技的标注是由服装学院的设计师们帮忙标注的， 标注的准确率很高。
在服装识别中，我们把服装分为了五大类：上衣、下衣、包、鞋子、连衣裙， 再对五大类做细分，总共有150多种标签，设计师需要的是更细的划分，比如前几年流行的一字肩，这种细节需要从大量的数据中去发现。
目前标签存在的两大问题，一是标签的稀疏性，有的标签会比较少，比如双面呢大衣，二是设计细节难打标签，比如袖口的拉链，口袋的开口方向等，会有漏打漏标的情况，所以整体的标签要治理出来是非常困难的，我们开发了一套专门针对服装标签的打标系统，在部分标签体系上能实现93%到95%的识别率，设计院校的学生的识别率在85%-90%，在这个专业领域上已经比别人强了。
4.2基于Faster R-CNN Model的目标检测
整体的网络构造分两层，第一层是Faster R-CNN识别服装的过程，第二层是把识别到的服装经过一些风格的过滤器， 输出到不同的FeatureMap里，有些是形态的，有些是风格的，然后根据不同的风格进行聚类，再针对这些问题去做回归。
对图片进行多个维度的识别，包括人脸识别，包括以图搜图，搜图目的不同，他们背后的算法、逻辑和训练方式也是不一样的，比如淘宝的找同款或找相似，而我们要解决的是设计师选错款的问题，理解设计师想找到什么图片，这个问题我们抽象成了两个场景，一是全图搜索，看重的是整体的搭配，二是品类相似，是找单品相似款式。
作者介绍
郑泽宇，知衣科技联合创始人兼CEO。国内第一本TensorFlow读物《TensorFlow：实战Google深度学习框架》作者，该书销量稳居京东人工智能榜前3。归国创业之前，郑泽宇曾任美国谷歌高级工程师。从2013年加入Google，作为主要技术人员参与并领导了多个大数据项目。由他提出并主导的产品聚类项目用于衔接谷歌购物和谷歌知识图谱（Knowledge Graph）数据，使得知识卡片形式的广告逐步取代传统的产品列表广告，开启了谷歌购物广告在搜索页面投递的新纪元。 2013年5月获得美国Carnegie Mellon University大学语言技术研究所硕士学位。期间在国际会议上发表数篇学术论文，并被评为Siebel Scholar。此项荣誉每年仅授予105位全球*研究生。2011年毕业于北京大学信息科学与技术学院，荣获北大优秀毕业生称号及信息科学与技术学院十佳毕业论文。郑泽宇在机器学习、人工智能领域有多年研究经验，并在SIGIR、ACL、ICDM、ICWSM等*国际会议上发表多篇学术论文。
本文来自郑泽宇在 DataFun 社区的演讲，由 DataFun 编辑整理。