這些關於TensorFlow問題的解答，你不能錯過

作為目前最普及的深度學習框架，TensorFlow 實不必多做介紹。

無論國內外，有相當數量程序員以 TensorFlow 入門深度學習開發，逐步走上職業機器學習工程師的道路。

然而，TensorFlow 有一定的使用門檻。

不管是編程範式，還是數學統計基礎，都為非機器學習與數據科學背景的夥伴們帶來一定的上手難度，更不要提處理不同任務時需面對的各類演算法模型。

在AI慕課學院的TensorFlow課程中，同學們向老師提出了很多問題，比如：

anaconda是否能替代virtualenv？

除了python以外還能使用其他編程語言嗎？

關於初始化和計算的運行成功例子？

如果你在入門學習TF的過程中，也有很多類似的疑問，想要得到系統性和細節的解答。我們專程為大家邀請了兩位 ThoughtWorks 老師與大家分享新手入門 TensorFlow 容易遇到的一些問題，以及他們的入門經歷與使用體驗。

新手入門深度學習，選擇 TensorFlow 有哪些益處？

佟達：首先，對於新手來說，TensorFlow的環境配置包裝得真心非常好。

相較之下，安裝Caffe要痛苦的多，如果還要再CUDA環境下配合OpenCV使用，對於新手來說，基本上不折騰個幾天是很難搞定的。

其次，基於TensorFlow的教學資源非常多，中英文的都有，這對於新手也是非常有幫助的。

Google做社區非常有一套，在中國有專門的一群人，會在第一時間把Google的開發者相關的進展翻譯成中文。

另外，由於有Google背書，TensorFlow從長期演進來看，基本上可以保證這個技術不會曇花一現。

對於一個深度學習新手來說，學習任何一個工具，都有成本，如果剛學會，這個工具就沒人用了，這個沉沒成本還是很高的。

白髮川：TensorFlow分為圖和session兩個部分。

因為構建和執行在不同的階段，所以很好的支持了模型的分布式，所以學習TF可以比較好的理解模型的分布式計算。

另外TF支持直接從分布式文件系統，例如HDFS系統讀取數據，所以可以說TF是接通機器學習和大數據的一個橋樑。

新人上手 TensorFlow 經常會遇到哪些問題或困難？

佟達：第一個困難應該是來自編程範式的變化。

因為TensorFlow是聲明式開發方式，通過Session真正執行程序，這和常見的開發語言編程範式不太一樣。

如果是曾經有過函數式編程的Lazy Evaluation經驗，接受起來會好一點。

當掌握了基本的TensorFlow操作之後，就要使用TensorFlow做些真正有意義的事情。

這時候的一大困難在於，TensorFlow的報錯信息不那麼直觀，如果執行出錯，新手很難從一大堆調用棧中找到有用的信息。

白髮川：首選遇到的應該是數學的知識。

TF本身是一個深度學習的框架，和我們常規的程序框架例如Spring，Hibernate之類的框架定位不太一樣，會偏向數學部分一點。

例如矩陣計算，求導等，雖然TF已經封裝了對應的計算的API，但是我們還是需要知道這些概念性的知識，這樣才知道應該用什麼API。

其次TF通過圖的構建和計算部分分離實現模型的分布式，這一塊的理解對初學者來說有時候也不太容易。

能不能講講你們當初上手 TensorFlow 的經歷？學習過程中都遇到了哪些困難，又是如何解決的？

佟達：我在使用TensorFlow之前，使用過其他一些機器學習/深度學習框架，比如主要用於語音識別的Kaldi，圖像識別的Caffe，還有Spark MLlib，DeepLearning4j等。

所以上手TensorFlow並沒有帶來特別大的困難。

當用TensorFlow做的事情越來越複雜之後，我開始嘗試擴展TensorFlow，比如寫一些自定義的Op。

在TensorFlow中添加自定義Op需要用C++實現，編譯好之後，在Python裡面講動態庫鏈接進來才能使用。

這一過程還是有些複雜，尤其是C++的代碼有問題需要調試，需要使用lldb（llvm的debug工具，類似gdb），這對開發這的要求比較高。

另外TensorFlow的編譯使用的是Bazel，這是谷歌開源的一個多語言項目管理工具，要想把自定義的Op編譯出來，還需要花點時間研究Bazel。

實際上，Google很成功的把TensorFlow封裝的很好，開箱即用，然而，框架本身的複雜度還是很高，一旦你想要深入進去，還是需要下很大功夫。

白髮川：TF不是我接觸的第一個深度學習框架。

我是從大數據做起，到後來的開始用Spark MLlib做開發，也使用過h2o和deeplearning4j這些框架，最後才接觸TF的。

所以對於我來說，更多的是學習TF的API設計相關的改變，以及對比其他框架TF做了哪些差異化的地方。

對於API這一塊，直接參考TF的Doc就是最好的方法。

不過我可以介紹一下入門到機器學習的經歷，我最開始的工作也是和大多數人一樣，從事web開發，或者mobile的開發。

所以我的情況應該和大多數人相同，後來我開始接觸到機器學習的時候發現和之前的思維差別挺大的。

首先在我們從事一般的像mobile之類的開發的時候，我們並不會關心什麼是矩陣的逆，什麼是函數的導數，更加不會關心什麼是鏈式求導。

而在機器學習裡面，這些都是基礎，所以我又重新撿回了大學的線性代數和微積分再次過了一遍。

TF是個深度學習框架，所以使用TF的時候不可避免的要理解什麼是隱層，什麼是激活函數，激活函數有哪些，以及如何定義損失函數等等這一些概念。

對於這一塊我當時除了調研一些書籍外也通過看stanford的一些課程來學習。

當然過程中也和很多同行進行交流和總結，特別是對於調參這一塊，除了學習之外更多的需要自己進行實踐。

看完這些，你是否在想：一直希望有個老司機能手把手帶領入門？這就是一次不容錯過的好機會！

噹噹當，由 ThoughtWorks 兩位老師在雷鋒網AI慕課學院（mooc.ai）主講的「TensorFlow & 神經網路演算法高級應用班」正在開展ing…向大家系統性地傳道解惑。快來和小編一起去課程現場看看~

乾貨滿滿：

一言不合就秀代碼：

導師貼身指導，及時解答課程疑問：

我們將老師邀請到了學員微信群中，隨時為學員解答學習過程中的小問題~

還有不定期學術講座或活動，慕課學員可優先參與哦~

相信聰明的你絕對不會錯過！

關於TensorFlow課程

從初級到高級，理論+實戰，一站式深度了解 TensorFlow！

本課程面向深度學習開發者，講授如何利用 TensorFlow 解決圖像識別、文本分析等具體問題。

課程跨度為 10 周，將從 TensorFlow 的原理與基礎實戰技巧開始，一步步教授學員如何在 TensorFlow 上搭建 CNN、自編碼、RNN、GAN 等模型，並最終掌握一整套基於 TensorFlow 做深度學習開發的專業技能。

兩名授課老師佟達、白髮川身為 ThoughtWorks 的資深技術專家，具有豐富的大數據平台搭建、深度學習系統開發項目經驗。

最後，對那些不方便直播學習的朋友，如果錯過直播，次日將提供回放，無限次觀看，大家可以在「mooc.ai」AI慕課網站關注購買。

開課時間：4 月 25 日（星期二）開課，每周二、四晚 20：00-21：00

開課時長：總學時 20 小時，分 10 周完成，每周2次，每次 1個小時

授課地址：http://www.mooc.ai/course/82

線上授課，點擊閱讀原文諮詢課程詳情

也歡迎關注我們的服務號哦~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！