有鉴于原本使用的机器学习框架lua torch社群支持度降低，推特负责机器学习的团队cortex决定，把内部使用的深度学习平台deepbird，其底层机器学习框架从lua torch转移到tensorflow上。不只工程师有更丰富的可视化工具，帮助训练机器学习模型，在x86-64系统架构上执行的也更加快速。
推特在2014年并购了madbits，获取该公司的深度学习技术，用于理解推特的图片内容，而该公司在2015年中，转为内部团队cortex。 cortex一开始的任务是为推特的产品加入人工智能功能，但在2016年中开始，团队目标转为服务推特工程师，提供更好且一致性人工智能使用体验，因此他们创建了机器学习平台deepbird。
deepbird主要用于时间轴的排序上，而随着机器学习应用的规模扩大，cortex团队也随之成长，加入了tellapart、gnip以及magic pony等并购的公司。 deepbird原本是基于开源机器学习函数库lua torch，但是由于torch社群慢慢把项目重心从lua转移到了python，并开始降低对lua torch的支持，cortex只好开始另寻替代方案，经过比较pytorch和tensorflow，他们认为tensorflow对生产阶段的模型支持度更好，而tensorflow支持hdfs，原本就有许多文件以及大型社群参与贡献，有更完整的开发生态系统。因此在2017年中，他们毅然决然的转换deepbird的机器学习框架。
要将deepbird从第一版的lua torch转移到第二版的tensorflow上，cortex花了不少心力，早期团队为了让原本就存在的机器学习框架，方便过渡到deepbird上，因此其配置也同样使用yaml，但就在cortex决定转移deepbird的机器学习框架后，随即放弃了yaml，不过，大多数数据存储格式仍然沿用推特内部自定义的datarecord，而训练脚本则使用tensorflow与自订义的扩展套件组合编写而成。
cortex提到，人工智能系统系统转移到第二版的deepbird有几个步骤，首先要针对生产阶段服务器评估基准，使用来自生产服务的暗流量，验证推测的正确性并测量预测延迟，确保系统在高负载下还能维持推测服务的稳定性以及性能。再来，就是要比对第一版与第二版deepbird的推测以及训练品质。另外，撰写详细的文件以及教学也非常重要，能帮助用户更轻易的转换到新平台。
deepbird训练模型的流程就5个阶段，首先厘清问题，针对哪部分优化？什么作为输入或是特征？第二针对应用准备数据集，第三撰写训练脚本来优化模型，第四并在不同的数据集上评估，第五就定义超级参数组，并在aurora mesos上执行脚本。重复步骤3到5，直到取得需要的结果。
第二版deepbird的api在测试版发布后一季，已经进入了稳定版，而在这过程他们也对tensorflow的estimator api有了更深入的理解，并开始尝试在一些多阶段训练等非典型案例使用，并且进一步简化整合estimator api到自有的trainer api中。
框架的改变带来了许多正向影响，cortex提到，工程师的生产力提高了，由于通过使用tensorboard或是像model repo这样的内部可视化工具，工程师可以简单的观察模型收敛的情况，并进行调整取得更好的结果，而且加强过的模型度量方法，工程师可以更加掌握模型状态。
而deepbird服务的易用性提升，除了增加许多新功能外，与推特原本的系统也有良好的集成，自订易的指标以及减化的训练流程，让工程师更容易进行试验。而在系统的执行性能也获得提升，第二版的deepbird在x86-64架构执行的也更有效率。