第61章 深度学习框架（1/2）

请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。

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 TensorFlow 1.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 TensorFlow 2.x，默认开启了 Eager Execution（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 API tf.keras，构建模型变得相当直观。

iport tensorflow as tf

odel = tf.keras.Sequential([

tf.keras.yers.Ftten(put_shape=(28, 28)),

tf.keras.yers.Dense(128, activation=re),

tf.keras.yers.Dense(10, activation=softax)

])

odel.pile(optiizer=ada, loss=sparse_categorical_crossentropy, trics=[auracy])

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”。这次，他打算以“研究者”和“探索者”的心态重新审视它。

PyTorch 由 Facebook（现 Meta）AI 研究院推出，核心设计哲学是“Python 优先”和动态计算图。林晨从最基本的张量（Tensor）操作开始，感受其与 NuPy 的相似性带来的亲切感。

构建模型时，他需要自己定义一个继承自 tor.Module 的类，并在 forward 方法中明确写出数据流动的过程。

iport torch

iport tor as nn

iport tor as opti

css SipleNN(nn.Module):

def __it__(self):

super.__it__

self.ftten = nn.Ftten

self.lear_re_stack = nn.Sequential(

nn.Lear(28*28, 128),

本章未完，点击下一页继续阅读。