本次演讲将分别从算法，硬件和数据的角度，讲述深度学习平台的开发和应用。

深度学习的算法的趋势是更加多样化和灵活化。需要框架提供数百个稳定和向后兼容的接口。同时在编程方式上，需要更接近传统编程语言的模式。演讲将介绍 TensorFlow 和 Paddlepaddle 在接口兼容性上的设计和 Pytorch 的 imperative 编程模式的成功。

硬件将变得更加异构化，服务器将大量采用 GPU，TPU 加速。移动设备的 SoC 将包含 CPU，GPU，NPU。FPGA 也将在很多场景使用。演讲将介绍异构设备编程的难点，深度学习框架对异构设备的常见优化方法和效果。

大规模的数据对科学家和平台都提出了巨大的挑战。本演讲将介绍 Data Version 对于实验复现的作用和 TensorFlow，Paddlepaddle 数据入口的演化历史。

最终演讲会结合具体案例，介绍深度学习框架在不同场景中的应用。

演讲提纲：

1. 深度学习框架如何支持更加灵活和复杂的算法
2. 深度学习框架如何优化异构硬件设备上的性能和资源消耗
3. 深度学习框架如何支持大数据的处理
4. 深度学习框架的应用

听众受益点：

• 深度学习平台的设计，开发，趋势
• 深度学习在算法，硬件设备，数据方面的变化和相关技术
• 深度学习框架和算法的应用