推荐序——朱小强

• 大量数据 -> 数据驱动 -> 深度学习

• 学界问题：

  • 模型假设苛刻，不符合工业界真实场景

  • 工业计算规模巨大，模型训练、推理存在复杂工程挑战

• 深度学习研发新范式：

  • 深度学习框架提供了封装好的基础模块，新模型设计变成了工具化组装

  • 深度模型优化可以采用标准化优化器

  • 算法研发人员可以将精力集中到对领域问题的理解和模型设计上

• 工业级深度学习2.0:

  • 领域问题特性

  • 数据

  • 算力

  • 算法

  • 架构

  • 工程系统