信息流算法在微博机器学习平台（WML）的实践
本文介绍了微博机器学习平台（WML）的信息流算法实践，主要涵盖了WML的架构、深度学习平台、在线推理框架等方面的内容。
文章介绍了微博机器学习平台（WML）的背景和架构，包括WeiFlow统一架构、WeiLearn深度学习平台和WeiServing在线推理框架。WML是微博机器学习平台，旨在解决业务场景高度相似性、重复人力投入、成果共享有阻力等问题。
然后，文章深入讲解了WML的深度学习平台，包括复杂模型、简单特征n、数据规模极速扩张、非结构化数据指数增长、特征工程人力成本高、机器学习表征能力上限等问题的解决方案。 WeiLearn深度学习平台使用了TensorFlow和Spark等技术，实现了大规模的模型训练和在线服务。
在在线推理服务框架方面，文章介绍了WML的在线推理服务框架，包括系统架构、性能优化等方面的内容。性能优化方面，文章提出了模型量化、模型剪枝、调整batch size、调整session thread & op thread、tensorRT等基本手段，并介绍了性能优化的四大陷阱。
此外，文章还提出了大规模-roadmap和IO计算通信方面的内容，包括pydoop、多进程grpc版本升级、MPI替换、NCCL2支持多GPU通信等技术。
本文为读者提供了微博机器学习平台（WML）的信息流算法实践经验，涵盖了WML的架构、深度学习平台、在线推理框架等方面的内容，具有重要的参考价值。
知识点：
* 微博机器学习平台（WML）的架构和背景
* WeiFlow统一架构和WeiLearn深度学习平台的技术架构
* WML解决业务场景高度相似性、重复人力投入、成果共享有阻力的方法
* 深度学习平台的复杂模型、数据规模极速扩张、非结构化数据指数增长等问题的解决方案
* 在线推理服务框架的系统架构和性能优化方法
* 大规模-roadmap和IO计算通信方面的技术架构
扩展阅读：
* 微博机器学习平台（WML）的架构和技术架构
* 深度学习平台的技术架构和优化方法
* 在线推理服务框架的系统架构和性能优化方法
* 大规模-roadmap和IO计算通信方面的技术架构和优化方法
