在这里我也想介绍一些我们其他的工作，比如说我们写了一本深度学习实战手册，目前已经写完了八章，点击链接前往： 在这个手册里，我们举了八个例子，教大家深度学习应该怎么入门和怎么在真实的场景中使用。

　　每一个例子都是精心设计过的，比如说其中的一章情感分类。所谓情感分类就是将一个文本分类成正向情感还是负向情感，实际上就是一个简单的文本分类问题。单纯套用文本分类的模型，我们可以去解决如下图所列各种各样的问题。

　　PaddlePaddle作为一个年轻的开源深度学习系统，也面临着非常多的挑战。我们会以更加开放的心态来迎接所有的挑战。PaddlePaddle作为一个开源软件，所有的开发，包括设计和讨论全在Github进行，目前已经有不少百度之外的团队参与到开发中来了。其中有从事AI的公司，也有做分布式操作系统技术的公司。大家一起在Github上借review设计和提交代码讨论交流。

　　我们也希望可以看到更多的企业构建出更多支持AI的通用集群，帮助越来越广泛的企业将他们的业务变得更好，更awesome。同时PaddlePaddle作为源于百度企业里的深度学习框架，我们也会促进开源尽量多的工业界成熟模型，来帮助更多其他企业来提升自己的业务。

　　钛坦白群友互动：

　　1.请问人工智能公众服务如何保障用户的隐私和数据安全？

　　于洋：我其实也不是这方面的专家，我谈一下自己的想法。就PaddlePaddle而言，我们的策略是提供一个能够在私有云或者说在本地直接部署的PaddlePaddle，这样用户就不需要将敏感的数据传递给PaddlePaddle这个平台。有一些论文给出的方案，是将深度学习训练直接部署在手机上，将增量训练好的模型上传给服务器，这样用户的数据就不需要从手机去上传到服务器，而是直接在手机上进行训练优化。

　　2.如何保障训练服务对并发任务的资源配置的公平性？

　　于洋：现在有一些开源的集群操作系统，比如Kubernetes使用这些集群操作系统，我们可以直接去调度CPU数和GPU数，也就是计算资源的数量，这样每个用户都可以有自己的一个配额。当用户的配额超过了他应该用的配额的时候，他的任务就只能等待，当用户的配额小于他实际上使用的配额，他就有可能会被调度，这些调度策略现在有非常成熟的开源平台，都可以提供。

　　3.训练的硬件高投入在本地部署时有办法解决吗？

　　于洋：训练硬件的高投入我觉得还是有办法解决的，解决的办法就是我前面说的，将这个企业的大部分机器都放在一个特别大通用集群里，这个集群既可以跑深度学习的任务，也可以跑其他的比如说web服务之类的东西。这样深度学习的机器虽然说你买GPU很贵，但是他平时也可以被其他的任务所利用，不会完全浪费。

　　4.配额靠经济杠杆在多用户间协调吗？有没有定价策略，中小企业用得起吗？

　　于洋：我记得亚马逊的公有云，也就是AWS上面应该是提供竞价实例的，也就是说大家一块去拍卖一个机器，谁出的价高谁就可以在这个时间段去用这个机器。这样经济杠杆就起作用了。

　　（本文独家首发钛媒体，根据百度资深工程师、Paddle API重构设计负责人于洋在钛坦白上的分享整理）

　　………………………………

　　钛坦白第33期，AI已来之机器学习2，今晚7点继续！

　　地点：钛坦白 | 人工智能（微信群）

　　报名听课、交流：

　　钛坦白目前有医疗健康、人工智能、文娱社交、VR/AR、区块链、支付创新、体育、云计算、SaaS等九个专业群。

　　1、钛媒体Pro专业版用户，可以点击链接，登录账号，在线免费、任意选择自己要进入的群，按提示操作；

　　2、非钛媒体Pro专业版用户，可以添加微信号taitanbai0，在通过好友后，发99元红包给小钛，你将有权利从九个群中任选一个群进入，长期听课、交流。请告诉小钛你要进入哪一个群，然后等待小钛拉你入群~

　　推荐钛客、赞助、合作：

　　请与钛坦白负责人佳音联系，邮箱jiayinge@tmtpost.com

转载请注明出处。