社区分享 | 关于 TensorFlow 入坑那些事儿

会员服务 ·

社区分享 | 关于 TensorFlow 入坑那些事儿

2020 年 12 月 8 日 TensorFlow

本文来自TensorFlow 开发者出道计划精选推荐第一篇，作者：管小亮。

📢 声明：

本文有参考网上的大牛和机器学习专家无私奉献的资料，仅供学术交流，非商用。
博主才疏学浅，文中如有不当之处，请各位指出，共同进步，谢谢。
此属于第一版本，若有错误，还需继续修正与增删，还望大家多多指点。

📚 〇、故事的开始

正如每个童话都有一个奇幻的开始那般，今天要讲述的故事也不曾例外，它也有一个令人惊Σ(っ °Д °;)っ奇的......嗯~ o(￣▽￣)o你懂的。

请允许我以这种方式开始它的传奇，TensorFlow 与 2015 年 11 月的某天，伴随着《TensorFlow：异构分布式系统上的大规模机器学习》的发布，正式宣布开源了，但是事情似乎并没有这么简单，因为以 Google 在业界的地位和影响力，绝不会是高开低走的局面，那么这个让人兴奋又迷茫的词汇到底是什么？

Tensor 什么？Flow 什么？TensorFlow 是什么东西？什么用途？Google 又为什么要开源？这是不是代表了什么？

如果你也曾和我一般好奇，便会打开翻译软件，或者Google翻译，或者别的什么（Google 打钱），似乎是个很不错的名字，只是不是向量，那它是什么？

与此同时，在技术圈外这个词似乎并没有什么重要的，可能考四六级的小伙伴会多背一个单词罢了，因为这个世界上总会有各种各样的 “震惊”，不然UC也不会没有以前那么火了（苦笑），即使你大力地和研究人员介绍，大家也显得毫无兴趣，因为彼时 MatLab 几乎独掌天下，人工智能专家，斯坦福教授，吴恩达先生开放的课程也是基于 MatLab 的，你应该能感受到当时 MatLab 的地位。

然而随着 2016 年 3 月 AlphaGo 以 4：1 战胜了韩国围棋世界冠军李世石，事情出现了巨大的转变，大家开始爆发了对于 AI 的热情，越来越多的研究和 AI 相关😄，越来越多的应用和 AI 相关，这一刻，我们终于破圈了，TensorFlow 作为现象级别的名词，终于被大家认知。

作为 Google Brain 开发的 DistBelief 的改进版本，TensorFlow 有很多优点，最重要的是基于 Google 开发维护的它，可以保障支持和开发的持续性，拥有难以想象的活跃社区，截止到此时（2020 年 11 月 29 日）TensorFlow 在 GitHub 上的开源项目总计有 8.3k Watch，151k Star，83.4k Fork，当之无愧的最火深度学习开源框架。

那么如果我很感兴趣或者我有需要的话，应该如何学习 TensorFlow？

让我们开始今天的正题！？!

PS：你可能会有一些问题，先不要着急，just follow me，然后看一下 Q & A，相信你的一些问题会得到解答的~

📚 一、昨夜西风凋碧树，独上高楼，望尽天涯路

首先是老生常谈但是枯木又逢春的经典问题，如何学习？如何高效地学习？如何快速学会？我以自己为例，谈谈我的一些见解，可能我们不同，但是会为你打开一条通向新世界的大门！

一直以来学习方法界（我姑且这么称呼）有两大派别，每每打架，总会惊天动地，怪不得古人说：文无第二，其中一派是认为 ”从头到尾，方方面面，系统地学习“ 才是人间正路；另一派是支持 ”从项目或其他实战途径出发，以战养战“ 方为正理。

我这里不去评判谁对谁错，毕竟一千个人心里有一千个哈姆雷特，从另一个角度去看，或许风景不同。

如果你是时间充裕，资源充足，想做更多地工作，比如想给 Google 做算法开发，或者想给 TensorFlow 做底层调优，毫无疑问地，第一种流派对你的益处更大；
如果你是项目需要，课题准备，想做更快的成果，比如想给 EI 做文章 ”灌水“，想给国家自然科学基金做打工人，毫无疑问地，第二种流派对你的益处更大；

根据自己的需要去决定如何做，才是我们需要考量的，而不是瞻前顾后，迟迟不肯下笔。

闲言少叙，有哪些资料是你需要看的呢？

👉First but not the least，TensorFlow 技术文档，看到这里肯定有人会说，就这？就这当然不行，但是一直靠博客等野路子，总有一天你会吃到亏，不信你就把 Flag⛳ 立下来，吃亏了记得来给我留个言。

如何高效地看文档呢？在 TensorFlow 官方做过一次回答（TensorFlow 打钱，嗷嗷，自己人，那算了），链接🔗 我放在这里了，需要的自己去看看吧，《想让文档使用技能更进一步？实用版独家教程来了》，我来简单写几条新手比较着急想看的。

🔘 r1.X API

🔗 https://tensorflow.google.cn/versions/r1.15/api_docs/python/tf
🔘 r2.3 API

🔗 https://tensorflow.google.cn/api_docs/python/tf
🔘 Version

🔗 https://tensorflow.google.cn/versions

第一个就是，阅读原版英文技术文档，作为深度学习爱好者，研究者，从业者，你会发现学习英语的必要性。（⭐⭐⭐⭐⭐）

第二个就是，拜托了，TensorFlow 官方文档是英文的，我英文不好，怎么办呢？官方中文网站正在拼命更新中ing，不过函数的功能目前还都是英文的（有点那个啥），所以你可以使用最笨的方法，由于中文网站不会识别出 Google 翻译插件，所以把简体中文改成 English，然后 Google 翻译中文即可，作为机翻的代表，相信你看过之后，能简单满足你的要求。（⭐⭐⭐）

第三个就是，各种第三方网站翻译的中文文档，比如 W3Cschool，或者在线文档等等（记得打钱），虽然是翻译，但是相对比较圆润，符合大部分人使用的需要了，如果你实在无法读英文或者机翻中文，可以尝试。（⭐）

👉Second，阅读经典入门书籍，我只以自己看过和了解过的（了解就是跳着看的）为例。

第一个就是《TensorFlow：实战Google深度学习框架》。（⭐⭐⭐⭐）

作为电子工业出版社出版的最早的 TensorFlow 书籍之一，虽然不是很系统，很多内容都没有涉及到更深层甚至没有强化学习，但是书中对一些基础知识讲解的通俗易懂，比如你看代码时不懂的某一行，都有一些介绍，与此同时，有的部分会与现在的版本以及编译器不同，导致出现一些错误，通过 Google 搜索、社群和官方文档的方式，总能找到解决办法，在寻找解决办法的同时，进步会非常大。另外还简单介绍了 TensorFlow 官方自带的可视化工具 TensorBoard，作为初学者，是一本很良心的书。

新出的第二版本，将第一版本书中所有示例代码从 TensorFlow 0.9 升级到了 TensorFlow 1.4，升级 API 的同时，也补充了更多很多内容，比如新增了两章介绍 TensorFlow 高层封装以及自然语言领域应用，推荐大家抽出一些时间，快速看完并简单实践！！！

第二书就是《Scikit-Learn 与 TensorFlow 机器学习》。（⭐⭐⭐⭐⭐）

这本书英语名字叫《Hands-On Machine Learning with Scikit-Learn & TensorFlow》，几乎可以算是目前 TensorFlow 最受欢迎的书本之一了，原作者是前 Google 职员，领导了 Youtube 视频分类团队，可以算是资深机器学习顾问，各种资源网上也比较全。

🔘 作者公开的配套源代码
🔗 https://github.com/ageron/handson-ml
🔘 国内公益组织的翻译

https://github.com/apachecn/hands-on-ml-zh

基本上到了这里，就算你没有系统地看过深度学习理论或者 TensorFlow 学习等等，经过不断地滚动学习，你也有一个大概的了解了，那么你就需要做一些项目了。

📚 二、衣带渐宽终不悔，为伊消得人憔悴

有哪些好看又好用的项目呢？

👉第一，吴恩达深度学习。（⭐⭐⭐⭐⭐）

作为是人工智能和机器学习领域国际上最权威的学者之一，吴恩达教授可以算是大网红了，他不仅大力推动了机器学习和深度学习的发展，还开放自己的三门课程，分别是 Coursera 《Machine Learning》，斯坦福 CS229，deeplearning.ai《深度学习专项课程》。不只是圈内人，圈外人也是知道的，可惜图灵奖陪跑（哭😭）。

在他的深度学习笔记中有包括的 TensorFlow 的部分，首先这部分算是一个科普入门，学完后对 TensorFlow 会有一定的理解，同时还有对应的习题和作业可以用来实践，当之无愧的学习佳作。

🔘 深度学习工程师——吴恩达:
🔗https://mooc.study.163.com/smartSpec/detail/1001319001.htm

给我们 TensorFlow 打个小广告。

TensorFlow 官方团队与 TensorFlow 专业老师们，来了一场梦幻联动，在中国大学 MOOC 平台，发布了一个基于 TensorFlow 技术推广工程师 Laurence Moroney 制作的新手入门课程（中！文！版！），欢迎大家来参与。

🔘 TensorFlow 入门实操课程
🔗https://www.icourse163.org/course/youdao-1460578162

👉第二，弗吉尼亚理工博士 Amirsina Torfi 的 TensorFlow 课程。（⭐⭐⭐⭐⭐）

教程、代码、笔记，你能想到的，都有，应有尽有，最喜欢这种系统资源，省得我东跑西跑了，建议跟一个完整的就可以了，不要被各种资源迷惑了双眼。

目前 Star 和 Fork 都挺多的，说明了质量上乘，除此之外，还在更新，进化成了 TensorFlow 2.x 版本，当之无愧的好项目。

从安装到网络结构，动图加上代码，谁用谁知道啊。

🔘 TensorFlow Course
🔗https://github.com/instillai/TensorFlow-Course

👉第三，Kaggle 的 Digit Recognizer。（⭐⭐⭐⭐⭐）

作为在线数据发掘和预测竞赛平台，他们会为一些公司的问题去设置比赛题目，最终公司会选出心中的最佳方案，并给与 5K-10K 美金作为奖金。除此之外，Kaggle 官方还会每年举办一次大规模的竞赛，奖金高达一百万美金。所以如果你说它是一个众包平台好像也没错。基本上就是任用最聪明的人来解决世界上最棘手的问题。

作为经典题目，Digit Recognizer比赛可以说是做计算机视觉人无法跳过的一个门槛，而 MNIST 又是计算机视觉领域的 hello world 数据集，所以好好打打这个比赛就是你真正的入门。

资源推荐的太多就会让你有一种迷茫和无措地感觉，这种感觉我懂，你懂，别人却不一定懂，要相信量变导致质变，勤勤恳恳且踏踏实实地努力，成功还会远嘛？

🔘 Kaggle Digit Recognizer
🔗 https://www.kaggle.com/c/digit-recognizer

📚 三、众里寻他千百度，蓦然回首，那人却在，灯火阑珊处

虽说进度条过半了，却还是得叮嘱一句，千里之行，始于足下。

那么问题来了，如何安装 TensorFlow 呢？哈哈，吓死你。（如果真不会记得搜索搜索）

借用李沐大神地话说，深度学习就是炼丹，深度学习开源框架就是丹炉，所以注意几下几点：

Google 的 TensorFlow 丹炉说明书虽然很完善，但是一直在更新，所以需要时刻关注版本的更迭，要活到老，学到老。

🔘 TensorFlow 官方教程:
🔗 https://tensorflow.google.cn/tutorials
🔘 TensorFlow 官方指南:
🔗 https://tensorflow.google.cn/guide

专注于自己的方向，比如CV，比如NLP，比如广告推荐等等，去关注 TensorFlow/model 下各种模型的更新，去阅读源码实现，学习源码的艺术，学习去写更好的代码，挑高 Star 的源码去读，从模仿到超越只是时间问题。

🔘 TensorFlow GitHub:
🔗 https://github.com/tensorflow/tensorflow

学会去抓住重点，而不是泛泛地学习，有的代码在某种程度上就是八股文，不需要每一次都重写，学会使用比死板教条地学习更重要。

多实践，实践出真知，尤其是 ”经验主义“ 学科。

🔘 TensorFlow 入门实操课程:
🔗 https://www.icourse163.org/course/youdao-1460578162
🔘 TensorFlow 如何入门，如何快速学习:
🔗 https://www.zhihu.com/question/49909565/answer/807076121
🔘 为什么选择 TensorFlow:
🔗 https://www.bilibili.com/video/BV1Fr4y1w7YT

Q & A

⚡Q：如何选择 TensorFlow 1.x 和 TensorFlow 2.x？

A：

首先，关注自己所在的领域是否一定需要高端甚至尖端的技术，如果需要，毫无疑问2.x，新发表的网络结构或者调参技巧或者奇淫技巧，都会更新在新版本的 TensorFlow 中，只需要调用即可；
其次，关注自己是否需要更多的资料和社区，能否根据文档独立开发，如果可以，毫无疑问2.x，发展了这么多年，TensorFlow 1.x 的社区可以说是相当巨大且活跃了，你的朋友，同事，竞争毒手都在和你使用相同的框架，有问题 Google 或者 StackOverFlow 都可；
然后，关注自己是不是更注意开源框架的稳定性和成熟性，包括部署等等，如果注意，毫无疑问1.x，新发布的版本必然会有新改动，那就意味着会有新 bug，所以必然不如之前版本稳定性高，一般新版本的前两个版本会是更稳定的；
最后，关注自己对哪一个版本的代码更来电，选炼丹炉和选衣服是一样的，哪一个让你更有 feeling？毫无疑问会增加你学习的兴趣和动力，兴趣是最好的老师；
PS：个人主推的还是 2.x 版本，毕竟新版本会有新气象，很多bug都会被修复！！！

🔘 r2.3 API:
🔗 https://tensorflow.google.cn/api_docs/python/tf

⚡Q：如果在学习过程中，遇到了问题，要如何解决呢？

A：

这就是我常说的社群作用，古话说的好，三个臭皮匠顶个诸葛亮，并不只是鸡汤，两个人的思维碰撞，往往会带来更多的灵感以及思路，所以不要只是闭门造车，多和别人交流交流，你会有不一样的看法。

⚡Q：交流的渠道有哪些呢？

A：

官方沟通渠道：

TensorFlow 官方微信公众号:（在这里你可以了解 TensorFlow 核心基础，获取最新的产品资讯和应用案例！）
🔗https://mp.weixin.qq.com/s/l3IfWeS35EaORmYNsrZvgg
TensorFlow User Group:（在这里你可以找到更多志同道合的伙伴，在开源社区中做贡献，在社区活动中获得提升！）
🔗https://mp.weixin.qq.com/s/SpF1O9xq2i-Yjr_N4Fa9hw
TensorFlow CSDN 社区:（在这里你可以找寻专业内容和资源，也可以提问开发者，贡献自己的经验和项目！）
🔗https://blog.csdn.net/tensorflowforum
TensorFlow 知乎专栏:（在这里你可以分享实用技术资源，也可以分享开发者经验！）
🔗https://www.zhihu.com/column/c_1292161131210481664
TensorFlow Bilibili 官方频道:（在这里你可以查看更多官方入门视频教程，也可以查看各个行业案例！）
🔗https://space.bilibili.com/64169458/channel/detail?cid=41910

个人沟通渠道：

首先是你周围的人，或者同学，或者老师，或者非商业性质技术演讲，或者网上的 open lecture，或者开发者大会等等，都是你获取最新信息和讨论知识的渠道，三人行，必有我师。
其次是你的网友，在网络上你会碰到更多的人，比如CSDN写博客的时候，你的读者，你的留言者，比如知乎问问题（知乎打钱）的时候，你的回答者，你的追更者，比如 Kaggle 打比赛时，你的队友，你的对手，指点的大佬。
然后是你的家人，或许你会好奇家人不懂这个技术，如果成为我的社群，不要只是钻牛角尖，有时候和家人聊天中，也会获得一些东西，打开你的思路，当然不要太频繁地联系，哈哈。
最后是你的前辈，无论什么时候，什么行业，都会有数不胜数地前辈，毕竟闻道有先后，术业有专攻，不要觉得他们，难以企及，难以联系，有时给你看不懂地论文作者发邮件，他会 surprise you，尝试一下总是好的。
这些都可以是你的社群，不只是微信群，QQ群（腾讯打钱）。

⚡Q：有什么是学习中要注意的嘛？

A：

首先，不要畏难，大家都是人，天赋异禀也是人，总会需要时间才能成长，学习也是，慢慢学总会有所进益，有句话叫：”种树最好时间是十年前，其次是现在“，送给你；
其次，不要骄傲，往往在你无法进步，或者被困在哪一个区域的时候，会觉得自己无所不能，这个时候往往是你的退步的时候，骄傲让人退步，谦虚让人进步；
然后，多思多问，学而不思则罔，思而不学则殆，古人诚不欺我也；
最后，仰望星空与脚踏实地。

⚡Q：TensorFlow 1.x 总是有很多函数，让我很困惑，怎么办？

A：

多查多问多动手，作为 ”经验学科“，我们需要多学习和继承前人的经验，多总结有效经验，转化为自己的知识，不过千万不要忘记多实践，因为别人用了好用的，你用却是不一定！！！

更好的解决办法是学习 TensorFlow 2.x 版本，谁用谁知道！！！

🔘 r2.3 API
🔗https://tensorflow.google.cn/api_docs/python/tf

⚡Q：深度学习有哪些境界呢，怎么知道自己入门了嘛？

A：

深度学习目前处于风口，于是很多人想要浑水摸鱼，都来分一杯羹，然而可能很多人连深度学习是什么都不知道，所以很多人在自学的时候，又不知道从何学起，下了一堆资料，跑了一堆 Demo，报了一堆 Cousera，调调参，看看模型结果不错，就以为入了门，抱歉，可能你连门都没入。

深度学习这块，有几个层次：

demo侠：下载了目前所有流行的框架，对不同框里的例子都跑一跑，看看结果，觉得不错就行了，进而觉得，嘛，深度学习也不过如此嘛，没有多难啊。在面试的时候经常可以遇到不少，很多学生或者刚转行的上来就是讲一个 Demo，手写数字识别，cifar10 数据的图像分类等等，然而你问他这个手写数字识别的具体过程如何实现的？现在效果是不是目前做好的，可以再优化一下吗？为什么激活函数要选这个，可以选别的吗？CNN 的原理能简单讲讲吗？懵逼了。
调参侠：此类人可能不局限于跑了几个demo，对于模型里的参数也做了一些调整，不管调的好不好，先试了再说，每个都试一下，学习率调大了准确率下降了，那就调小一点，那个参数不知道啥意思，随便改一下值测一下准确率吧。这是大多数初级深度学习工程师的现状。当然，并不是这样不好，对于demo侠来说，已经进步了不少了，起码有思考。然而如果你问，你调整的这个参数为什么会对模型的准确率带来这些影响，这个参数调大调小对结果又会有哪些影响，就又是一问三不知了。
懂原理侠：抱歉起了个这么蠢的名字。但是，进阶到这一步，已经可以算是入门了，可以找一份能养活自己的工作了。CNN，RNN，LSTM 信手拈来，原理讲的溜的飞起，对于不同的参数对模型的影响也是说的有理有据，然而，如果你要问，你可以手动写一个CNN吗？不用调包，实现一个最基础的网络结构即可，又gg了。
懂原理+能改模型细节侠：如果你到了这一步，恭喜你，入门了。对于任何一个做机器学习/深度学习的人来说，只懂原理是远远不够的，因为公司不是招你来做研究员的，来了就要干活，干活就要落地。既然要落地，那就对于每一个你熟悉的，常见的模型能够自己手动写代码运行出来，这样对于公司的一些业务，可以对模型进行适当的调整和改动，来适应不同的业务场景。这也是大多数一二线公司的工程师们的现状。然而，对于模型的整体架构能力，超大数据的分布式运行能力，方案设计可能还有所欠缺。
超大数据操控侠：到这一阶段，基本上开始考虑超大数据的分布式运行方案，对整体架构有一个宏观的了解，对不同的框架也能指点一二。海量数据的分布式运行如何避免网络通信的延迟，如何更高效更迅速的训练都有一定经验。这类人，一般就是上一个的领导了。
模型/框架架构师：前面说了一堆都是对现有的框架/模型处理的经验，这个阶段的大侠，哦，不对，是大师可以独立设计开发一套新框架/算法来应对现有的业务场景，或者解决一直未解决的历史遗留问题。没啥好说了，膜拜！

最后祝大家长风破浪会有时，直挂云帆济沧海！！！

参考文献