TensorFlow 学习地图

前言

TensorFlow 在2.x版进行大幅度的改版，并且纳入Keras后，整体的架构变得更加完整易用，但也造成学习路径的多样化，笔者整理一些K书心得分享如下。

网路资源

TensorFlow 2.x版预设执行模式已改为 Eager Execution Mode，与1.x版的静态运算图(Computational Graph)完全不相容，1.x版必须包在session中执行，因此，在目前网路中仍充斥许多套件或範例属于1.x版，虽然，可以利用下列方式更改预设执行模式为1.x版，但笔者建议就断捨离了，因为，不会有未来性了。

if tf.__version__[0] != '1':           # 是否为 TensorFlow 1.x版    import tensorflow.compat.v1 as tf  # 改变载入套件的命名空间(Namespace)    tf.disable_v2_behavior()           # 使 2.x 版功能失效(Disable)

TensorFlow目前改版仍非常频繁，且许多类别/函数常常会变更命名空间或规格，因此，参考文件还是应以TensorFlow官网为主，也可以参考Keras官网，它也已改成介绍TensorFlow为主，而非本身开发的Keras套件，笔者比较喜欢Keras官网的编排，但注意有些範例程式是以TensorFlow预览版(Night build)为基础，若执行出错，应考虑是否为TensorFlow版本的问题。

另外，TensorFlow官网主要有两个页籤『教学』(Tutorial)与『指南』(Guide)，建议读者先从『指南』入门，而非『教学』，『教学』其实是针对影像/文字/音讯作主题式的介绍。

学习路径

TensorFlow官网或Keras官网教学并没有明显的学习路径(Roadmap)指引，两个官网及大部分书籍都是从下列程式开始介绍。

import tensorflow as tfmnist = tf.keras.datasets.mnist(x_train, y_train),(x_test, y_test) = mnist.load_data()x_train, x_test = x_train / 255.0, x_test / 255.0model = tf.keras.models.Sequential([  tf.keras.layers.Flatten(input_shape=(28, 28)),  tf.keras.layers.Dense(128, activation='relu'),  tf.keras.layers.Dropout(0.2),  tf.keras.layers.Dense(10, activation='softmax')])model.compile(optimizer='adam',              loss='sparse_categorical_crossentropy',              metrics=['accuracy'])model.fit(x_train, y_train, epochs=5)model.evaluate(x_test, y_test)

不明就里的读者可能就已以为从此处出发，开始研究各式神经网路，例如CNN、RNN等，对此笔者并不赞同，上述程式只是要展示TensorFlow的威力强大与易用姓，短短10几行，就能準确辨识手写阿拉伯数字，但是，并没有说明神经网路是如何求解的，因此，笔者建议还是应该从『梯度下降法』开始了解优化求解的步骤与原理，如下图：

其中:

正向传导：藉由『张量』(Tensor)计算误差及损失函数。反向传导：透过『偏微分』计算梯度，同时，利用『梯度下降法』寻找最佳解。

因此，建议应该从基础到进阶，逐步理解神经网路设计的原理，顺序如下：

张量(Tensor)运算：包括向量、矩阵的运算。自动微分(Automatic Differentiation)：梯度计算、梯度下降优化求解(Optimization)，不管是TensorFlow或PyTorch都一样，透过自动微分功能，神经网路才能找到最佳解。各式神经层：包括完全连接层(Dense)、卷积(Conv1D、Conv2D、Conv3D)、循环神经层(RNN、LSTM、GRU)等。神经网路：以各种神经层构建的网路模型，还包括各式的Activation Function、损失函数(Loss Function)、优化器(Optimizer)、效能衡量指标(Metrics)，模型又分为顺序模型(Sequential model)及Functional API。

扩展

Keras熟悉后，再以Keras为核心，整合整个生环境的各项工具使用。

TensorBoard：提供模型及训练过程视觉化的工具，也提供除错的功能。Callback：在训练过程中设定Callback，可作模型存档、训练提前结束、TensorBoard整合…，甚至可自订Callback，蒐集更多的训练资讯。Dataset：Generator资料结构，可逐批读入资料，不必一次全部载入记忆体，造成记忆体不足，适合大型资料集的专案应用，另外支援Cache、Prefetch…等效能提升的功能。Data Augmentation：结合Dataset，可提供影像资料增补的功能，包括影像偏移、旋转、拉近/拉远、裁切…等功能，产生更多的训练资料，使模型更精準。Keras Applications：TensorFlow提供许多的预先训练好的模型(pre-trained model)，他们都是历届影像辨识大赛的冠亚军，可以直接採用其模型与权重，也可採用部分模型。TF Hub：提供许多进阶的pre-trained model，例如物件侦测等。TF Serving：提供模型布署的指令。Estimator：暂时忘了吧。

结语

以上是笔者一路追随TensorFlow/Keras的使用经验，若有谬误，请大家不吝指正。

工商广告一下：
深度学习 -- 最佳入门迈向 AI 专题实战。