干货 | 这些关于 TensorFlow 问题的解答，你不能错过

Posted 2021-04-24 雷锋网

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了干货 | 这些关于 TensorFlow 问题的解答，你不能错过相关的知识，希望对你有一定的参考价值。

用 10 周时间，让你从 TensorFlow 基础入门，到搭建 CNN、自编码、RNN、GAN 等模型，并最终掌握开发的实战技能。4 月线上开课，www.mooc.ai 现已开放预约。

作为目前最普及的深度学习框架，TensorFlow 实不必多做介绍。

无论国内外，有相当数量程序员以 TensorFlow 入门深度学习开发，逐步走上职业机器学习工程师的道路。

然而，TensorFlow 有一定的使用门槛。

不管是编程范式，还是数学统计基础，都为非机器学习与数据科学背景的伙伴们带来一定的上手难度，更不要提处理不同任务时需面对的各类算法模型。

在AI慕课学院的TensorFlow课程中，同学们向老师提出了很多问题，比如：

anaconda是否能替代virtualenv？

除了python以外还能使用其他编程语言吗？

关于初始化和计算的运行成功例子？

如果你在入门学习TF的过程中，也有很多类似的疑问，想要得到系统性和细节的解答。我们专程为大家邀请了两位 ThoughtWorks 老师与大家分享新手入门 TensorFlow 容易遇到的一些问题，以及他们的入门经历与使用体验。

新手入门深度学习，选择 TensorFlow 有哪些益处？

佟达：首先，对于新手来说，TensorFlow的环境配置包装得真心非常好。

相较之下，安装Caffe要痛苦的多，如果还要再CUDA环境下配合OpenCV使用，对于新手来说，基本上不折腾个几天是很难搞定的。

其次，基于TensorFlow的教学资源非常多，中英文的都有，这对于新手也是非常有帮助的。

Google做社区非常有一套，在中国有专门的一群人，会在第一时间把Google的开发者相关的进展翻译成中文。

另外，由于有Google背书，TensorFlow从长期演进来看，基本上可以保证这个技术不会昙花一现。

对于一个深度学习新手来说，学习任何一个工具，都有成本，如果刚学会，这个工具就没人用了，这个沉没成本还是很高的。

白发川：TensorFlow分为图和session两个部分。

因为构建和执行在不同的阶段，所以很好的支持了模型的分布式，所以学习TF可以比较好的理解模型的分布式计算。

另外TF支持直接从分布式文件系统，例如HDFS系统读取数据，所以可以说TF是接通机器学习和大数据的一个桥梁。

新人上手 TensorFlow 经常会遇到哪些问题或困难？

佟达：第一个困难应该是来自编程范式的变化。

因为TensorFlow是声明式开发方式，通过Session真正执行程序，这和常见的开发语言编程范式不太一样。

如果是曾经有过函数式编程的Lazy Evaluation经验，接受起来会好一点。

当掌握了基本的TensorFlow操作之后，就要使用TensorFlow做些真正有意义的事情。

这时候的一大困难在于，TensorFlow的报错信息不那么直观，如果执行出错，新手很难从一大堆调用栈中找到有用的信息。

白发川：首选遇到的应该是数学的知识。

TF本身是一个深度学习的框架，和我们常规的程序框架例如Spring，Hibernate之类的框架定位不太一样，会偏向数学部分一点。

例如矩阵计算，求导等，虽然TF已经封装了对应的计算的API，但是我们还是需要知道这些概念性的知识，这样才知道应该用什么API。

其次TF通过图的构建和计算部分分离实现模型的分布式，这一块的理解对初学者来说有时候也不太容易。

能不能讲讲你们当初上手 TensorFlow 的经历？学习过程中都遇到了哪些困难，又是如何解决的？

佟达：我在使用TensorFlow之前，使用过其他一些机器学习/深度学习框架，比如主要用于语音识别的Kaldi，图像识别的Caffe，还有Spark MLlib，DeepLearning4j等。

所以上手TensorFlow并没有带来特别大的困难。

当用TensorFlow做的事情越来越复杂之后，我开始尝试扩展TensorFlow，比如写一些自定义的Op。

在TensorFlow中添加自定义Op需要用C++实现，编译好之后，在Python里面讲动态库链接进来才能使用。

这一过程还是有些复杂，尤其是C++的代码有问题需要调试，需要使用lldb（llvm的debug工具，类似gdb），这对开发这的要求比较高。

另外TensorFlow的编译使用的是Bazel，这是谷歌开源的一个多语言项目管理工具，要想把自定义的Op编译出来，还需要花点时间研究Bazel。

实际上，Google很成功的把TensorFlow封装的很好，开箱即用，然而，框架本身的复杂度还是很高，一旦你想要深入进去，还是需要下很大功夫。

白发川：TF不是我接触的第一个深度学习框架。

我是从大数据做起，到后来的开始用Spark MLlib做开发，也使用过h2o和deeplearning4j这些框架，最后才接触TF的。

所以对于我来说，更多的是学习TF的API设计相关的改变，以及对比其他框架TF做了哪些差异化的地方。

对于API这一块，直接参考TF的Doc就是最好的方法。

不过我可以介绍一下入门到机器学习的经历，我最开始的工作也是和大多数人一样，从事web开发，或者mobile的开发。

所以我的情况应该和大多数人相同，后来我开始接触到机器学习的时候发现和之前的思维差别挺大的。

首先在我们从事一般的像mobile之类的开发的时候，我们并不会关心什么是矩阵的逆，什么是函数的导数，更加不会关心什么是链式求导。

而在机器学习里面，这些都是基础，所以我又重新捡回了大学的线性代数和微积分再次过了一遍。

TF是个深度学习框架，所以使用TF的时候不可避免的要理解什么是隐层，什么是激活函数，激活函数有哪些，以及如何定义损失函数等等这一些概念。

对于这一块我当时除了调研一些书籍外也通过看stanford的一些课程来学习。

当然过程中也和很多同行进行交流和总结，特别是对于调参这一块，除了学习之外更多的需要自己进行实践。