一一中文网

手机浏览器扫描二维码访问

第61章 深度学习框架（第1页）

林晨坐在书桌前，窗外是科技园不变的灯火通明，而他的电脑屏幕上，正同时打开着两个截然不同的编程环境。

那个97.1%准确率的mNISt模型带来的兴奋感尚未完全消退，但理性很快占据了上风。

林晨清楚，偶然的成功不能复制，要想真正把AI技术变成自己手中的利器，尤其是未来应用到变幻莫测的金融市场分析上，他必须系统性地掌握工具，而不仅仅是跟着教程跑通一个例子。

深度学习框架，就是这最重要的工具。

当前主流的两大巨头——tensorFlow和pytorch，如同武林中的两大门派，各有拥趸，各有优劣。

林晨决定，花上一周时间，把这两个框架都深入体验一遍，再决定自己的主攻方向。

他首先打开了tensorFlow的官方文档。

作为谷歌出品的老牌框架，tensorFlow以其工业级的稳定性、强大的分布式训练能力和成熟的部署生态着称。

林晨按照指南安装配置，开始了第一个tensorFlow程序——依旧是手写数字识别。

“静态计算图……”

林晨一边敲代码，一边琢磨着这个核心概念。

在tensorFlow1.x时代，需要先定义计算图（Graph），然后在会话（Session）中运行，这种“先构图，后执行”

的模式，对于习惯了python即时执行思维的程序员来说，确实有些绕。

好在现在主流已是tensorFlow2.x，默认开启了EagerExecution（急切执行），像普通python代码一样即时运行，大大降低了入门门槛。

通过高级ApItf.keras，构建模型变得相当直观。

importtensorflowastf

model=tf.keras.Sequential（[

tf.keras.layers.Flatten（input_shape=（28，28）），

tf.keras.layers.dense（128，activation=relu），

tf.keras.layers.dense（10，activation=softmax）

]）

model.pile（optimizer=adam，loss=sparse_categorical_crossentropy，metrics=[accuracy]）

代码简洁明了。

训练过程也顺利，最终准确率跑到了97.5%，比上次自己用“原生”

pytorch略高一点点。

但林晨在尝试自定义一个损失函数，并想深入查看中间某层梯度时，遇到了一些麻烦。

tensorFlow的调试体验，尤其是想要深入其计算过程时，总觉得隔着一层，不如直接写python代码那样透明和易于介入。

它的优势似乎更在于“生产部署”

——一旦模型确定，转换成Savedmodel或tFLite格式，在各种终端和服务器上的部署非常成熟。

“这就像一套精密的自动化生产线”

，林晨在笔记上写道，“设计好了流程，它就能稳定高效地运转，但如果你想中途调整某个零件的加工参数，可能需要专门的工具和接口”

。

接下来，他切换到了pytorch的环境。

其实上一章的mNISt就是用pytorch的教程完成的，但那次更多是“跟随”