大家看到，我们要做好这个全流程的真正部署到一个应用里面去，需要有底层硬件的支持，不管CPU、GPU还是移动端的硬件，以及相应要有推理引擎，然后有各种不同的程序设计语言的支持，相应的工具以及提供软硬一体的方案等等一系列，形成全流程的部署方案。 举个例子，比如说我们把这样一套设备端部署解决方案用来进行识别虫害，这样一个任务，我们涉及到底层的平台，涉及到工具站，涉及到模型怎么样训练、怎么样部署等等，当然这一系列是基于百度的平台支持。
我们都知道现在深度学习的核心是神经网络，网络第一步要干什么?第一步要做网络结构的设计，网络结构设计早些年更多是靠人类专家来做这个设计，靠他的经验，经验更足，人可能把网络设计的更好，从而得到更好的结果。但是这个过程其实是专业度很高同时也不容易的一个过程，现在我们已经可以进行自动化的网络设计，这里就是一个自动化网络设计的例子，大家可以看到，左边是专家手工设计的网络，右边是机器自动设计的一个网络。 我们基于这套自动设计网络AutoDL，也进行了开源，也在PaddlePaddle进行了AutoDL部分的开源，同时也进行了模型的开源，效果达到了比人工设计网络更好的效果，相当于它自动化程度更高，省时省力，同时效果也更好。
前面我提起深度学习现在用的非常广，但并不是每一个人都很全面的掌握了深度学习技术，那么我们能提供一个更方便的工具平台，可以让基础不太多甚至零基础的人也能来用、来解决自己的问题，我们提供了这样一个定制化训练和服务平台，EasyDL，可以把各种数据送进来进行加工学习、部署，最后提供服务，既可以提供云端服务也能提供各种智能设备上的服务。
这里我不再讲EasyDL背后的各种技术，但是给大家看一个曲线，我们看一下基于EasyDL进行模型训练的数量在持续的增长，现在已经有超过三万个第三方应用的模型，基于EasyDL实现，然后来解决自己的任务。
这是另一个例子，农作物，在农耕地块的识别，这里涉及到在这个应用场景里面提取相应的数据，然后用卫星遥感数据进行模型训练，然后进行融合、部署，最后完成一个，比如说这个地块里面，作物长得怎么样，有没有灾害等等进行这种识别，自动的就可以进行农耕地的监测。 刚才举的只是两个行业，我们看一下，实际上百度的飞桨这个深度学习平台，已经用在很多行业里面，用在很多行业里面，我们也相应的要看一看各个行业发展的趋势。当然这个报告是麦肯锡提供的报告，我们可以看到，深度学习一旦应用到某一个行业里面，可能带来的提升幅度，大家看到，旅游、物流、零售、汽车等等，各个行业都可以因这个深度学习的应用带来很大的商业价值的提升。 时间也到了，我今天的报告就到这里，我希望我们的飞桨深度学习平台能推动人工智能发展，加快产业智能化。
(责任编辑：admin)
