人工智能是是一个全新的技术领域，不管是国家还是企业都在奋力争夺掌控这一领域。据媒体发布的一份报告称，2017年为开发人工智能技术，谷歌的母公司Alphabet投资约300亿美元，百度投资约200亿美元。不仅企业投入了大量的时间、金钱和精力去发展人工智能，中国政府也在大力推进人工智能技术，以便掌控未来科技创新的基石。
滴雨科技不仅支持HADOOP生态中的CAFFEE on spark (deep learning)，Spark ML，Mahout，Madlib,而且支持由GOOGLE贡献的Tensorflow, 并把YAHOO开源 Tensorflow on Spark集成到同一平台上。TensorFlowOnSpark在设计时充分考虑了Spark本身的特性和TensorFlow的运行机制，大大保证了两者的兼容性，使得可以通过较少的修改来运行已经存在的TensorFlow程序。在独立的TFOnSpark程序中能够与 SparkSQL、MLlib和其他 Spark 库一起工作处理数据。总的原理是： 在Spark上拉起了一个TF的集群服务。从而使得Spark集群拥有了深度学习和GPU加速的能力，它有以下优点：
轻松迁移所有现有的TensorFlow程序，修改代码小于10行;
支持所有TensorFlow功能：同步/异步训练，模型/数据并行，inferencing和TensorBoard;
Server端到Server端直接通信提升处理速度（RDMA启用时）;
允许由Spark分发或由TensorFlow拉取文件系统和其他资源上的数据;
轻松整合现有的数据处理流程和机器学习算法（如MLlib，CaffeOnSpark）;
轻松在云或内部部署：CPU & GPU, Ethernet and Infiniband.
TensorFlow 和Spark的核心都是一个数据计算的流式图，Spark面向的是大规模的数据，支持SQL等操作，而TensorFlow主要是面向内存足以装载模型参数的环境，这样可以最大化计算效率。
另外一个趋势是在移动端或是嵌入式终端上加上深度学习，有两种方式：
一是将模型运行在云端服务器上， 向服务器发送请求，接收服务器响应；二是在本地运行模型。一般来说，采用后者的方式，也 就是在 PC 上训练好一个模型，然后将其放在移动端上进行预测。使用本地运行模型原因在于，首先，向服务端请求数据的方式可行性差。移动端的资源（如网络、 CPU、内存资源）是很稀缺的。例如，在网络连接不良或者丢失的情况下，向服务端发送连续的数据的代价就变得非常高昂。其次，运行在本地的实时性更好。但问题是，一个模型大小动辄几百兆，且不说把它安装到移动端需要多少网络资源，就是每次预测时需要的内存资源也是很多的。那么，要在性能相对较弱的移动/嵌入式设备（如没有加速器的 ARM CPU）上高效运行一个 CNN，应该怎么做呢？这就衍生出了很多加速计算的方向，其中重要的两个方向是对内存空间和速度的优化。采用的方式一是精简模型，既可以节省内存空间，也可以加快计算速度；二是加快框架的执行速度，影响框架执行速度主要有两方面的因素，即模型的复杂度和每一步的计算速度。精简模型主要是使用更低的权重精度， 如量化（quantization） 或权重剪枝（weight pruning）。剪枝是指剪小权重的连接，把所有权值连接低于一个阈值的连接从网络里移除。而加速框架的执行速度一般不会影响模型的参数，是试图优化矩阵之间的通用乘法（GEMM）运算，因此会同时影响卷积层（卷积层的计算是先对数据进行 im2col运算，再进行 GEMM 运算）。
TensorFlow Serving可以将训练好的模型导出，从而方便地为生产环境服务，其中的接口是RESTful。 由于滴雨的平台同时支持DOCKER，所以Google基于Docker的kerbernets方案，使TensorFlow可以在容器上轻松部署与运行。
