人工智能迎来了继上世纪九十年代以来的又一次大发展，人工智能和深度学习无疑是近年来最受追捧的热点。2016年和2017年AlphaGo两次战胜韩国和中国围棋国手，更是让人工智能成为街头巷尾的热谈。为什么人工智能在经历了两起两落后再一次迎来了复兴，我认为，这一次的爆发主要由理论、应用、硬件和软件四个方面的原因促成的，貌似偶然实则必然。
Geoff Hinton等人在2006年发现了训练高层神经网络的有效算法，为深度学习的研究打开了新局面，也是人工智能得以重燃的导火线。经过后续研究人员的努力，尤其是CNN和RNN的出现，深度学习、神经网络方法在图像和语音识别方面显示出非常好的效果，大大超越之前的理论和方法，甚至能够突破人类极限。与计算机视觉、机器人、自然语言理解、信息检索等技术相结合，深度学习的应用也从单纯的图像和语音识别扩展到自动驾驶、图像增强与风格替换、文本语音间转换和推荐系统等。使用深度学习技术的应用和初创企业如雨后春笋般冒了出来。尤其需要指出的是，互联网和大数据的广泛应用是深度学习发展的必要条件。一般而言，数据量越大且数据质量越高，由深度学习训练出来的模型精度也就越好。计算机硬件的发展也直接推动了深度学习的发展。GPU和其他专用加速器件的出现，大大提高了深度学习的计算效率。在语音识别场景下，GPU可将数十亿样本的训练时间从数年缩短到数天。而专用的ASIC加速芯片相比GPU的能效更有数量级以上提升，也让深度学习从服务器端走向手机端，进一步拓展了其应用范围。
开放的软件生态和易用的软件形态是形成人工智能和深度学习产业链至关重要的两个方面。没有软件的支撑，理论很难与应用相结合，新硬件也很难为应用提速。从大数据软件的发展历程可以想见，如果没有开源的Hadoop生态系统，以及受其设计思想影响的新型大规模并行处理数据库系统，我们现在可能还在为如何管理和处理PB乃至EB级的数据发愁。开源TensorFlow的出现解决了类似的问题，一下子拉近了深度学习理论与实际应用的距离。同时，TensorFlow也具备迈向成功生态系统的必要条件，即差异化的软件功能，刚需的典型应用和活跃的社区支持，发展前景可期。但是，原生TensorFlow的软件形态尚不足以支持深度学习的全流程生产化应用，欠缺诸如数据管理和预处理，模型训练、管理和运行，资源管理、任务调度和运行时监控等能力，导致最终用户形成生产力的成本过高。深度学习是计算密集型重资产类应用，如果有能够提供异构高性能计算资源并能够集成上述平台化功能的深度学习公有云服务，可降低TensorFlow的使用门槛并提升用户体验，客观上会与开源效应叠加起到倍速产业发展的作用。
很高兴能够在这个时候看到一本讲授如何使用TensorFlow的专业书籍。作者是深谙计算机系统之道的一线工程师，带给读者的是产生自实战经验基础上的理解。非常难得的是，本书除了讲解如何使用TensorFlow还加入了对系统设计原理方面的剖析，有助于读者做针对性的应用和系统优化。相信本书对从事深度学习方面研究和开发的读者定会有所裨益。
查礼
中国科学院计算技术研究所 副研究员
中国大数据技术大会（BDTC） 发起人
2018年元旦于北京
如果说要评选出一个在过去一年中，学术界和产业界最热门的词汇，无疑非人工智能莫属。作为新一轮产业变革的核心驱动力，人工智能正重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求、新产品、新技术、新业态，引发经济结构重大演化，实现社会生产力的整体跃升。
人工智能系统的智能有三种来源：一种是依靠人类设计者的知识输入，为系统建立人工特征、知识库和推理机制，传统意义上的专家系统属于这一范畴。二是通过数据驱动的归纳式学习，近年来大火的深度学习即属于这一类，与依赖于人工经验、通过手工构建的知识特征不同，深度学习以端到端方式进行特征学习，其基本动机在于构建多层网络来学习隐含在数据内部的关系，从而使学习得到的特征具有更强、更泛化的表达能力。三是智能体通过与环境的交互，学习经验和知识并更新知识表示。近年来，以深度学习为代表的数据驱动方法在图像识别、语音识别、机器翻译、自然语言理解等任务中取得了一系列突破。人脸识别、自然语言理解在一系列国际评测中展示了超越人类能力的水平，语言识别和机器翻译也达到了一个前所未有的高度。
在我看来，各行各业还会在相当长的一段时间内享受到基于大数据的深度学习红利。将深度学习红利释放到读者您所在的行业会是提升行业智能水平的一条捷径。而要做到这一点，核心关键在于要降低大数据深度学习技术的使用门槛。要使看起来高深的深度学习技术，早日达到“旧时王谢堂前燕，飞入寻常百姓家”的程度。而要做到这一点，正如IT业前面多次证明过的，开源软件生态社区会起到巨大的推动作用， TensorFlow则无疑正是在这方面的佼佼者。深度学习对于张量计算性能、算子灵活性、自动微分能力、分布式训练、自动调参数、可视化和端侧部署等都有很强的诉求，而TensorFlow 的设计也充分考虑到了这些因素，这使得它成为了当前业界很流行的一个深度学习引擎。
TensorFlow还是一个较新的技术，但是发展极为迅猛，在这时候出现一本深入浅出讲解TensorFlow理论与应用的书籍，对于广大希望学习和应用大数据深度学习技术的读者而言，诚“如大旱之望云霓”。本书理论与实践并重，理论上讲清楚了一些本质的东西，并加入了作者对系统设计原理方面的深刻理解，并通过实际案例，引导读者掌握针对性的系统优化的技能。
本书第一作者是我的学生，12年入学时进入了浙大学习计算机专业的尖子班“求是科学班”，我担任了他们这个班的班主任。他不仅品学兼优，而且作为班上的团支书，帮我这个不太称职的班主任做了很多班级工作。在我心目中，他依然是入学时的青涩模样，转眼间却已成为开源软件届的技术翘楚，作为老师，最欣慰的莫过于此了吧。是为序。
教育部“长江学者”特聘教授
浙江大学计算机学院院长 陈刚
TensorFlow是一个深度学习的基础框架，自2015年底开源以来，它被不断应用到各个领域当中，也逐渐孕育出了一个活跃的开源社区，《深入解析TensorFlow架构设计与实现原理》的作者就是这个社区的贡献者，他们对TensorFlow有深层次的理解。他们写的这本书从独特的角度剖析了TensorFlow和分布式TensorFlow的运行机理。并以TensorFlow 1.2为基础，用简单易懂的语言讲解了TensorFlow的从安装、模型编写、可视化一直到生产环境部署的方方面面，同时穿插介绍了深度学习的基本概念。该书是作者的呕心沥血之作，是目前最佳的一本TensorFlow中文书。
-- 周玥枫 Google Brain 资深工程师
本书由浅入深，详细介绍了TensorFlow的编程方法与工作原理。本书在介绍深度学习与TensorFlow基本概念和用法的同时，深入分析了TensorFlow的系统架构与实现原理，是TensorFlow开源系统贡献者的重要参考资料。
-- 郑泽宇 才云科技顾问
在深度学习技术进入商业化实用阶段，这本书通过技术概念和实践案例讲解，对广大AI技术爱好者深度了解和应用tensorflow技术的本质内涵、技术框架和应用体系提供重要参考，值得一读。
-- 夏命榛 华为人工智能领域主任工程师
本书以TensorFlow为线索介绍深度学习的算法和系统，既包含算法的背景知识，又囊括系统的实现原理，并给出TensorFlow中的代码示例，是综合算法理论和系统原理并支持动手实践的佳作。
-- 邹永强 云账户联合创始人兼CTO
当前人工智能的发展高度依赖数据、算法和计算能力三要素，在计算能力越来越强的今天，数据和算法成为人工智能发展的两个关键要素，而作为人工智能的核心算法深度学习对于技术工程师来说依然迷雾重重。TensorFlow是深度学习领域最重要的开源框架，基于TensorFlow的应用越来越广泛的应用到安防、电商、金融、医疗等领域，也正在逐步渗透到工业领域。本书从底层技术入手，深入浅出的讲解TensorFlow的原理、架构、核心算法和应用场景，并且展示了其强大的生态配套体系，是不可多得的TensorFlow学习教材。未来已来，让我们积极拥抱人工智能的未来。
-- 周公爽 博拉科技创始人兼CEO
这是一本来自工业界技术专家的书，作者对深度学习框架和机器学习算法有多年的深入研究经验，对TensorFlow在业界的实战应用有丰富的经验和独到的见解。本书系统详尽的介绍了TensorFlow的主要模块及使用方法，同时介绍了CNN、GAN和RNN等深度学习算法模型和TensorFlow的内部核心模块。本书一气呵成，深入浅出，每章均配有总览流程图和详细的案例代码，特别适合作为工程师和研究者入门TensorFlow的第一本书。
-- 王锦鹏 微软亚洲研究院 助理研究员
一本科技类读物通常难以在理论、源码、实践之间取得平衡：理论过多很难让读者学以致用并付诸实践，源码过多容易让读者望而却步且只见冰山一角，而过于聚焦实践案例则难以帮助读者举一反三，参透更高层的设计理念与哲学。这本读物却少有的由浅入深，既完整介绍了深度学习和TensorFlow的技术演化、生态全貌、设计理念，又及时地在一段理论陈述和数学原理之后通过源码层面的案例分享帮助读者将理论落地。为了帮助读者举一反三，知其然还知其所以然，本书不光传授了TensorFlow技术本身，还系统地介绍了为了理解和掌握TensorFlow所需的周边知识，用“自包含”的方式为读者提供了“一站式”的从入门到精通的指引。
--张鑫 才云科技创始人兼CEO
Next：前言