品质可视化：习近融入新鲜水果榨汁的生动插画，直观传递真果肉、高果汁的产品核心价值，提升货架吸引力与购买欲

这个助力，见阿疆总就是让字节引以为傲的巨量引擎。而他也不辱使命，塞拜在很短的时间里，就给字节带来了两份大礼。

回国前，习近杨希旺一直在美国Facebook供职，对老东家的体系如数家珍。后来的番茄，见阿疆总就开始了野蛮生长的高速发展期。在字节的无数高管当中，塞拜与巨量引擎有渊源的人太多——而张超，是其中很特殊的一个。

来到字节之前，习近张超也是产品出身，他待过许多公司，在神策数据做了3年多的BP。分析海外的广告平台，见阿疆总Meta和谷歌一个北美的DAU一年能变现200美金，而字节在北美一个DAU一年下来只能变现30-40美金。

今天的字节，塞拜谈到的无论是商业化收入，塞拜还是新产品的用户飞轮，都躲不开巨量引擎——它不光为字节的商业化全域带来了巨额流水，更以用户飞轮给了字节持续产出超高增长产品的机会。

谁在给字节赚钱，习近能写的英雄好汉太多——但巨量引擎的这些人们，少了他们，就绝不会有字节的今日。Resnet很好的解决了这个问题，见阿疆总让训练达1000多层的神经网络变得可能。

以上介绍的几个技术都并不是完美的，塞拜但是瑕不掩瑜，我们能从中看到深度学习的潜力，明白它能做的远远不止是分类和检测。如果你觉得以上的技术很酷，习近那我保证，你的惊讶才刚刚开始。

保持VGG的权重不不变，见阿疆总直接对初始化的图⽚做梯度下降，直至目标函数降至一个比较小的值。但是，塞拜随着神经网络层数的加深，它们的训练也会变得越来越困难，因为在训练时会出现梯度消失的状况。

(责任编辑：戎梵)