腾讯广告高可用的深度学习技术架构（上）

在QCon广州2019大会上，唐溪柳讲师做了《腾讯广告高可用的深度学习技术架构（上）》主题演讲，主要内容如下。

演讲简介：

由特征工程、训练平台、线上 Serving 组成的深度学习技术架构，Serving 腾讯广告海量请求，缩短深度学习模型调参周期，加快模型上线速度。

内容大纲：

1. 项目背景：深度学习技术平台助力腾讯广告技术全面转向深度模型；

2. 技术方案：

3. 构建特征工程、训练平台、线上 Serving 系统边界；

4. 特征工程优化特征存储，促进特征共享；

5. 训练平台建模 API 屏蔽模型训练技术细节，将建模配置化；

6. 建设通用模型服务 Serving 集群，优化 Latency 与系统稳定性。

听众受益：

1. 了解构建生产环境深度学习平台的三个重要环节：特征工程、训练平台与 Serving 集群；

2. 对 Tensorflow 进行若干技术改进用于稀疏特征的端到端训练；

3. 广告或推荐系统应用深度学习技术的技术要点。

讲师介绍：

唐溪柳

腾讯广告 总架构师/T4 专家

目前主要负责腾讯广告系统技术架构，关注算法和架构设计。在深度学习系统技术、检索系统、分布式网络服务、语言模型、大数据处理等方向有比较深入的了解。2012 年加入腾讯广告，主导了腾讯广告检索系统、海量数据分析系统、深度学习系统的架构设计与开发工作。

完整演讲 PPT 下载链接：

https://qcon.infoq.cn/2019/guangzhou/schedule