2.2　Facebook在深度学习领域的研发现状

2016年，Facebook公开了其深度学习平台Torchnet和基于深度学习技术的自然语言理解引擎DeepText。

2.2.1　Torchnet

2016年6月，Facebook开源了其深度学习框架Torchnet[11]。Torchnet的主要聚焦不在于进行高效的推断，也不在于使得Torch神经网络中的梯度计算更快[12]。相反，Torchnet旨在建立一个在深度学习框架Torch之上的外层框架（Facebook选择的是在Torch上编译一个开源库[13]，而并非建立一个全新的深度学习框架），该外层框架通过提供样板代码和模块化的设计，以便于代码重用，使得深度学习的实验和应用变得容易、简单、快速，大大减少了从零开始设计复杂的深度学习代码和模块所需的时间。Torchnet可以用于图像识别、自然语言处理。而且，Facebook的科学家Van der Maaten写道[13]：Torchnet可能并不会一直局限在Torch上使用，Torchnet是抽象的，可以轻松应用到其他框架中，例如Caffe还有谷歌的TensorFlow框架。

Torchnet使用Lua脚本语言开发，可以运行在标准的x86芯片或图形处理单元（GPUs）上，提高了代码的重复使用率。这意味着在以后的开发中开发者可以使用这个框架来简化工作，并且降低引入Bug的概率[14]。

2.2.2　DeepText

2016年，Facebook发布了人工智能新产品DeepText[15]，它能够准确识别人类的聊天内容。DeepText是基于深度学习的文本理解引擎，它能以接近人类的准确度，以每秒处理成千上万的短文本（posts）的速度理解文本内容。

DeepText使用了卷积神经网络（Convolutional Neural Nets），递归神经网络（Recurrent Neural Nets），使用FbLearner Flow和Torch用于模型训练，这是一个分布式的、可扩展、高可信的架构。通过DeepText的架构，Facebook的工程师可以轻而易举地建立自然语言处理的模型。

Facebook机器学习团队的工程技术主管Hussein MeHanna表示：“我们希望将Deep Text运用在对Facebook平台上的海量内容进行分类，从而让搜索内容变得更加容易，同时为用户呈现他们感兴趣的内容”[16～18]。Facebook表示，Deep Text目前已经在一些方面开始发挥作用了。例如，Facebook Messenger上的一些聊天机器人现在已经能够基于用户发的聊天内容理解他是否需要叫出租车[16]。除识别聊天内容，自动搜索给出建议之外，Deep Text还会用于Facebook上的垃圾消息清理[16]。

DeepText还可以进一步改善Facebook的用户体验，例如，很多名人和公众人物会使用Facebook与大家进行交流，这些交流通常可能获得数百条，甚至上千条评论。此时就可以借助DeepText找出最相关的内容，同时确保评论始终维持较高质量[17, 18]。