阿里NIPS 2017论文解读：如何降低TensorFlow训练的显存消耗？
被誉为国际顶级的机器学习和神经网络学术会议NIPS 2017于12月4日-9日在美国加州长滩市举行。在本届会议上，阿里巴巴除有两篇论文入选Workshop并进行Oral和Poster形式报告外，三大技术事业部连续3天在阿里展区举行多场技术研讨会，向5000余名参会人员介绍阿里在机器学习、人工智能领域的技术研究、产品与落地应用。
Android图形显示系统——下层显示4：图层合成下（硬件合成器）
硬件合成器-HwComposer
使用3D合成，需要大面积的像素混合计算和大量的内存传输（GPU读写GraphicBuffer所需），对GPU和DDR来说是一个巨大的负担。在GPU/DDR重度使用的场景（比如玩游戏），会造成发热、卡顿等。
为了提升性能，减少功耗，可以将合成这个过程交由另一个芯片完成，减轻GPU负担。进一步，直接让这个芯片连LCD，在LCD需要显示某一行时
阿里云郑晓：浅谈GPU虚拟化技术（第二章）
注：本系列第一章推送门：阿里云郑晓：浅谈GPU虚拟化技术（第一章） GPU虚拟化发展史
第二章 GPU虚拟化方案之——GPU直通模式
目前流行的商用GPU虚拟化方案可以分为以下几类：GPU 直通模式，GPU SRIOV 模式，GPU 半虚拟化（mediated passthrough：包括Intel GVT-g和Nvidia GRID vGPU），VMWare的GPU全虚拟化（vSGA）。
阿里巴巴搜索混部解密
Hippo是搜索调度团队根据搜索、推荐、广告等业务特点从2013年开始打造并逐步完善的一套分布式调度系统，支持了集团内外多个事业部的搜索、推荐、广告等相关业务。2017双11期间，搜索在离线混部实现了全时段无干预无降级稳定运行，提供了搜索双11所有TF模型离线批次训练所需资源，并在2017/11/10晚上23点因为离线训练集群负载过高首次在混部上不间断运行了超过2万core的双11实时训练流程并一直在稳定运行。
阿里云智能语音交互技术实践干货分享
阿里云技术总监/研发总监陈一宁博士通过直播分享了《阿里云智能语音交互技术实践》。他首先介绍了智能语音面临的技术挑战，然后对智能语音技术做了详细介绍。其中，他主要分享了阿里云使用的BLSTM & LFR声学模型的优化过程，并对基于深度学习的自然语言理解的不同场景进行了详细分享。
深度学习模型训练痛点及解决方法
## 1 模型训练基本步骤
进入了AI领域，学习了手写字识别等几个demo后，就会发现深度学习模型训练是十分关键和有挑战性的。选定了网络结构后，深度学习训练过程基本大同小异，一般分为如下几个步骤
1. 定义算法公式，也就是神经网络的前向算法。我们一般使用现成的网络，如inceptionV4，mobilenet等。
2. 定义loss，选择优化器，来让loss最小
3. 对数据进行迭
