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。