长久以来，一提到 “美图公司”，大家能想到的都是 “美图秀秀”、“美颜相机”、“美拍” 这些美颜类产品，而为这些产品提供 AI 技术支持的美图影像实验室（以下简称 MTlab）一直鲜为人知。
成立于 2010 年的 MTlab，早已不止是一个实验室 —— 它在美图产品线背后扮演着 “大脑” 的角色。在 MTlab 的工具箱里，深度学习模型和 TensorFlow 是最有效的利器。

美图各个产品的功能决定了，MTlab 会大量使用到计算机视觉技术。

“2013 年开始，MTlab 就用机器学习做计算机视觉方面的研发。最早做的是人脸相关技术，以及美颜算法。”MTlab 负责人万鹏飞告诉 PingWest 品玩，“那时开源工具还没有现在这么丰富，很多算法和工具需要自己手动实现。”
采用传统机器学习来做计算机视觉的好处是，整个训练过程完全透明，允许研发人员更好地评估训练出来的算法，是否在训练环境之外依然有效。但不足的地方是，人工提取特征的工作量大，而且鲁棒性差。
万鹏飞对 PingWest 品玩表示，当时他们面临的主要技术挑战，正是“算法在各种极端用户使用场景下的鲁棒性”。
利用深度学习的卷积神经网络模型，能很好解决这个问题。“深度学习这种数据驱动的方法，在鲁棒性方面比传统计算机视觉算法有明显优势。”万鹏飞说。
决定采用深度学习后，他们最早使用的框架是 Caffe。这个深度学习框架于 2013 年在 Github 上发布，作者是加州大学伯克利分校的贾扬清博士。
2015 年，Google 发布深度学习开源框架 TensorFlow，“MTlab 马上就去了解这个工具”。2016 年，MTlab 开始在项目中尝试用 TensorFlow。

万鹏飞介绍道，MTlab 用 TensorFlow 最早做的是图像去噪，整体感觉比较灵活，对自定义的网络结构比较友好。一个灵活的深度学习框架对于算法自研很重要，因为很多实际的问题需要通过一些创新的方法解决，而一个好用的深度学习框架无疑能提高计算机视觉算法研发的效率。
很快，TensorFlow 凭借着灵活的特性成为了他们主要的深度学习框架。2016 年 MTlab 在用深度学习做人像分割功能时，初期使用 Caffe 实现自定义的卷积神经网络层不太方便，需要自己实现前向 / 反向传播算法。Debug（调试）操作起来也比较麻烦。
“后来使用了 TensorFlow，其基于 dataflow graph（数据流向图）的计算结构对于自定义的深度学习操作很友好，也便于 debug。” 万鹏飞说，“另外对循环神经网络的支持也比较好，大大提高了研发效率。”
如今，TensorFlow 已经被应用在美图旗下产品多个功能的网络训练中，如肢体关键点检测、五官分析、人像分割、图像画质增强、天空分割。万鹏飞对 TensorFlow 评价颇高：“TensorFlow 的分布式训练能力，大大提高了深度学习网络的训练效率。”
万鹏飞同时还提及 TensorFlow 社区对 MTlab 的帮助。完善的官方文档说明、丰富的课程、以及对新手友好的互助氛围，都吸引着更多开发者加入 TensorFlow 社区。

TensorFlow 官方也在努力促进社区的壮大。在今年的世界人工智能大会上， TensorFlow将举办“智在启无限”主题论坛，邀请国内外不同领域，数十位重量级嘉宾，共同探讨机器学习如何在商业中应用，帮助企业和开发者解决现实生活的问题：

TensorFlow 全球产品总监将深度解析机器学习的内核；通用电气贝克休斯高级总监将分享如何确保安全生产、预测组件寿命和系统异常、避免意外停机；网易严选算法总监将分享如何实现季节性商品销量预测、提升用户点击、节约仓储和供应链成本；腾讯医疗大数据科学家将分享如何优化用户意图理解、为医院、医生和病人提供更优质的服务。还有一些前沿的机器学习研究者们也将来到本次论坛，分享机器学习在文化和艺术领域取得突破的经验。