谷歌现在正使用深度学习来优化公司数据中心的能源消耗。他们将冷却能源需求降低了 40％。这意味着公司的电能使用效率提高了 15％，节省了数亿美元。

深度学习微服务（Deep Learning Microservices）

下面是一些使用深入学习的微服务的例子。

图片标签（Illustration Tagger）。这是应用 Illustr2Vec 的一个例子，直播，这个微服务可以为图片打上安全性、存疑性、评分、版权以及一般类别的标签，以了解图像中的内容。

DeepFilter 是一种将图像应用于艺术滤镜的图片风格转换服务。

年龄分类器使用面部检测来确定照片中的人的年龄。Places 365 分类器使用预训练的 CNN 并基于 Places 图像数据集（B. Zhou, et al., 2016）来识别图像中特定的位置，例如庭院、药店、酒店房间、冰川、山脉等。最后是 InceptionNet，可以使用谷歌的 TensorFlow 直接应用。它输入一个图像（如一辆汽车），并返回前 5 个与图像相关的预测类别。

开源深度学习框架

深度学习可以通过一些开源项目来实现。一些最流行的技术包括（但不限于）：Deeplearning4j（DL4j），Theano，Torch，TensorFlow 和 Caffe。决定使用哪个框架的因素有：他们的技术目标，还有是否为低级别、是否作为学术研究或是否以应用程序为导向。以下是每个的概述：

DL4J:

基于 JVM

分布式

与 Hadoop 和 Spark 集成

Theano:

在学术界很受欢迎

相对的入门级

有 Python 和 Numpy 接口

Torch:

基于 Lua

Facebook 和 Twitter 使用的内部版本

包含预训练模型

TensorFlow:

谷歌撰写的 Theano 继承版本

有 Python 和 Numpy 接口

高度多线程

对于某些问题集可能运行速度稍慢

Caffe:

非通用。专注于机器视觉问题

在 C++中实现，速度非常快

不容易扩展

有 Python 接口

深度学习在线课程

谷歌和 Udacity 合作开发了免费在线深度学习课程（https://cn.udacity.com/course/machine-learning-engineer-nanodegree--nd009），这也是 Udacity 机器学习工程师 Nano 学位的构成部分。该课程面向经验丰富的软件开发人员，针对希望在机器学习或其子专业有所专长的人员。

另一个选择是非常受欢迎的 Andrew Ng 关于机器学习课程（https://www.coursera.org/learn/machine-learning），由 Coursera 和 Stanford 主办。

深度学习相关书籍

虽然许多深度学习课程对学习者的教育背景要求相当高，但 Grokking 深度学习（Grokking Deep Learning）这本书并非如此。用他们的话说：「如果你高中数学及格，并能熟练使用 Python，我就可以教你深度学习。」

另一本流行的书是 Deep Learning Book，内容正如其名。这是一本自下而上内容丰富的书，因为它涵盖了深度学习所需的所有数学知识。

深度学习简要（Deep Learning Simplified）是一个很棒的 YouTube 视频系列，将深度学习分解成日常的词语和概念。下面是该系列第一个视频：