微软刚刚发布了Microsoft认知工具包的开源许可测试版发布上GitHub.。本公告代表了微软客户焦点从研究的转变。它是对计算网络工具包（CNTK）的更新。该工具包是一个监督机器学习系统，在同一类别的其他开源项目中，如Tensorflow，Caffe和火炬。
微软是开放机学习软件和研究界的领先投资者和贡献者之一。瞥了一眼神经信息处理系统（NIPS）会议揭示了只有四家主要技术公司致力于向前移动神经网络领域：微软，谷歌，Facebook和IBM。
本公告表示Microsoft兴趣将机器学习带入主流。开源许可证显示微软与机器学习社区的继续合作。
微软从支持研究界的转变为使客户能够在新的发展中使用机器学习是及时的。就在几年前，机器学习和神经网络从默默无闻的默默无闻转移，少数人工智能（AI）从业者认为他们对在许多公司和机构的主流中有用。
大型项目，如想象成挑战事实证明，机器学习适用于高度准确的图像识别。语音识别准确性有取得了类似的进展。
Xuedong Huang，Ph.D.，杰出的工程师和微软演讲研发的主要科学家，向我介绍了发展。Huang于1993年从卡内基梅隆大学加入微软，向研究组带来言语识别研究。
从研究转变为实施，黄讲了认知工具包的重要特征：
*针对Azure Cloud进行了优化：认知工具包已被优化，以跨越群集Azure N.Perforp由NVIDIA GPU提供支持，目前正在预览中。NVIDIA投入了研发，以优化其GPU平台进行机器学习，并广泛应用于该领域。微软已经优化了认知工具包，以在多个GPU上运行大型型号，并在多个服务器上运行大型型号，这是为公司开发和实施新应用程序的公司而言非常重要的考虑因素。建立支持基础设施，如这很重要，因为只有少数公司只有优化机器学习基础架构的资源。
*数据科学家和软件开发人员可以访问机器学习：Huang表示，使用acidogied工具包建造了20多种型号，包括使用应用程序编程接口（API）提供的定制语音识别。可以使用这些模型构建应用程序的某些API示例：
微软
能够开发机器学习模型的人数远小于软件开发人员和数据科学家的数量，可以将它们应用于广泛的问题。如果需要，少数公司准备实施机器学习，员工一支能够从头开始建造模型的团队。黄的方法旨在促进使用模型，例如对没有大型机器学习研究人员的公司的计算机视觉，情感认可和语言理解等应用。
*对不同类型开发人员的可访问性：Huang表示，Microsoft为Python和C ++编程语言添加了支持。这为Microsoft大的C＃基础之外提供了两种开发人员。Python被Web开发人员广泛使用，并且是STEM培训的专业人士的编程，他们在不同的领域工作 - 从社会学到生物学。对Python的支持扩大了认知工具包和微软在传统企业开发人员外面的预先包装机学习模型的应用。
C ++支持服务于开源开发人员，他们选择了认知工具包来构建大型应用程序专用机学习系统，但将无法依赖Microsoft来优化他们构建或执行机器学习模型的机器学习模型的培训，通常称为推理阶段。
黄先生提到了一些有趣的发展，值得一提。在线之间阅读，提交了一些解释。
黄谈到了认知工具包的非常有利的基准，展示了与香港浸信大学经营的TensoRflow，Caffe和火炬相比的多GPU性能，并提供了以下数据。
微软
基准是特定于应用的，应该用“你的里程可能会有所不同。”机器学习基准在推断阶段比学习阶段更透露，因为推理是在执行非常大的模型到数百万用户在产品系统中的成本非常昂贵并且学习的情况下的问题时是一个问题，这是一个较少的科学计算问题关键的硬件经济限制。
NVIDIA的GPU使马力推进了商业发展的学术研究。微软注意表现非常令人放心，因为潜在的GPU硬件仍在开发中，并且需要多年来来。机器学习的进步将需要最高级的硬件，而不是今天可用的速度。注意并行GPU执行的性能对机器学习应用程序的商业部署至关重要。
包括训练环中的人类正在开发中。黄的描述似乎类似于Facebook正在为Messenger建立机器人的工作。通常，培训机器学习模型的示例数据是不完整的。通过与推理阶段的人类的交互学习的建立应用程序捕获新的示例数据，随着时间的推移增加了模型的准确性。
Huang还提供了以下对话框，展示了使用认知工具包构建的高度准确的语音识别。
这是一个有趣的准确性演示，因为黄说，很少的语音识别模型与儿童的声音良好。
此公告不仅仅是工具包的点发布。它是识别AI和机器学习作为移动后的下一个大平台。