開頭就直接進(jìn)入正題。這篇文章就是給你準(zhǔn)備的實戰(zhàn)手冊——不講虛理論只講怎么把Python深度學(xué)習(xí)這一條線走通。我用的框架是TensorFlow 2.0里面集成的Keras是主力建模工具。先說清楚這篇文章不是讓你從零學(xué)Python語法也不是讓你啃透所有深度學(xué)習(xí)數(shù)學(xué)公式而是假設(shè)你已經(jīng)會寫基本Python代碼想快速入門深度學(xué)習(xí)和TensorFlow。我會從環(huán)境配置開始一路講到完整的圖像分類項目實戰(zhàn)最后分享我踩過的坑和排查經(jīng)驗。讀完你能跑通第一個模型并且知道下一步該往哪走。1. 開工前先搞定環(huán)境Python、虛擬環(huán)境和TensorFlow安裝1.1 為什么勸你別在全局環(huán)境里直接裝TensorFlow我剛接觸深度學(xué)習(xí)那會兒圖省事直接在系統(tǒng)Python里敲了pip install tensorflow當(dāng)時是能跑。但后來項目多了問題就來了——這個項目要TensorFlow 2.4那個項目要2.10還有的項目要用PyTorch三個框架的依賴在同一個全局環(huán)境里互相打架。我記得最慘的一次為了裝一個圖像庫把NumPy從1.19升級到了1.21結(jié)果另一個項目直接崩了一查是TensorFlow底層依賴不兼容。從那天起我就老老實實每個項目開一個虛擬環(huán)境。Python的虛擬環(huán)境原理其實很簡單你可以把它理解成給每個項目單獨(dú)開一個工具箱。不同項目用自己的工具箱里面裝的庫版本互不影響。這樣你怎么折騰都不會波及別的項目。具體到操作我推薦用Anaconda原因有兩條第一它自帶的conda命令能直接裝科學(xué)計算相關(guān)的二進(jìn)制包省去了Windows上編譯的噩夢第二創(chuàng)建環(huán)境后切換環(huán)境只需要一條命令。# 創(chuàng)建名為tf2的虛擬環(huán)境指定Python 3.9 conda create -n tf2 python3.9 -y # 激活環(huán)境 conda activate tf21.2 Python版本和TensorFlow版本的匹配關(guān)系很多人沒注意TensorFlow跟Python版本有嚴(yán)格的對應(yīng)關(guān)系裝錯了直接報錯。根據(jù)我長期實測以及TensoFlow官方發(fā)布記錄整理一份對應(yīng)關(guān)系供參考TensorFlow版本推薦Python版本備注2.4 ~ 2.93.7 ~ 3.9老項目常見兼容性處理好2.10 ~ 2.123.8 ~ 3.10目前最穩(wěn)定的區(qū)間2.13以上3.9 ~ 3.11新特性多但部分第三方庫跟進(jìn)慢我自己現(xiàn)在習(xí)慣固定用Python 3.9 TensorFlow 2.10這個組合踩坑最少網(wǎng)上資料也最多。你要是從零開始直接照這個來。別追最新版本深度學(xué)習(xí)的庫更新快新版本往往意味著新的不兼容。1.3 TensorFlow安裝和第一個驗證命令創(chuàng)建好環(huán)境后安裝TensorFlow很簡單就一行命令pip install tensorflow這句裝的是CPU版還是GPU版這要看你的操作系統(tǒng)。在Linux上TensorFlow 2.1之后的pip包會自動包含GPU支持有NVIDIA顯卡就會自動調(diào)用。在Windows上默認(rèn)pip裝的是CPU版本GPU版本需要額外配CUDA和cuDNN。再說個掏心窩的建議入門階段別碰GPU配置。CUDA和cuDNN的版本匹配問題能把人折磨到懷疑人生而且入門跑小模型CPU完全夠用。我在第4章會專門講GPU配置的坑但那是你跑通流程以后的事。裝完驗證一下在命令行輸入python -c import tensorflow as tf; print(tf.__version__)看到輸出2.10.0之類的版本號環(huán)境就通了。這一步很重要很多人后面代碼寫了一大堆結(jié)果才發(fā)現(xiàn)環(huán)境沒配好。1.4 VS Code配置Python環(huán)境編輯器推薦VS Code免費(fèi)、插件豐富、對Python支持好。配置步驟就三步安裝Python插件微軟官方出的那個。CtrlShiftP輸入Python: Select Interpreter選中剛剛創(chuàng)建的tf2虛擬環(huán)境。在項目根目錄新建.vscode/settings.json可以指定默認(rèn)解釋器一勞永逸。有個小技巧VS Code右下角會顯示當(dāng)前解釋器路徑你看到路徑里帶envs\tf2就說明環(huán)境選對了。很多人代碼沒問題卻一直報ModuleNotFoundError八成就是解釋器還指在全局Python上。2. 看懂TensorFlow 2.0和Keras為什么這套組合適合入門2.1 TensorFlow 1.x到2.0的巨變沒用過TensorFlow 1.x的人可能不知道2.0以前寫代碼有多反人類。在1.x時代你得先構(gòu)建一張靜態(tài)計算圖然后放進(jìn)Session里去跑。調(diào)試起來極其痛苦——你沒法在中間打印變量看一眼因為整個圖是“畫”好了再執(zhí)行你想看的中間結(jié)果根本不存在。我當(dāng)時學(xué)的時候經(jīng)常為了查一個bug得在代碼里寫一堆tf.Print那體驗跟盲人摸象差不多。TensorFlow 2.0最核心的改變是引入了默認(rèn)的Eager Execution動態(tài)圖機(jī)制。直白點說代碼寫到哪就執(zhí)行到哪一行一行看得見摸得著你隨時可以打印中間變量的值。這個改動讓TensorFlow從“先用圖定義計算再執(zhí)行”變成了“邊定義邊執(zhí)行”調(diào)試體驗直接對標(biāo)Python原生的感覺。這也是為什么我強(qiáng)烈建議新手從2.0開始學(xué)——不用理解計算圖那一套抽象概念寫起來跟寫普通Python代碼一樣自然。2.2 Keras到底是啥和TensorFlow什么關(guān)系Keras最初是一個獨(dú)立的高層神經(jīng)網(wǎng)絡(luò)API庫后來被Google收編整合進(jìn)了TensorFlow的tf.keras模塊?，F(xiàn)在你import tensorflow as tf之后直接寫tf.keras就是官方推薦的建模方式。Keras的價值在于把模型搭建的代碼量壓縮到一個極其夸張的程度。你用底層API寫一個卷積神經(jīng)網(wǎng)絡(luò)可能要上百行代碼用Keras只需要十幾行。我經(jīng)常跟朋友開玩笑Keras像是深度學(xué)習(xí)框架里的“傻瓜相機(jī)”按鍵少、出片快但拍出的照片質(zhì)量一點都不差。Keras在TensorFlow里提供了三種建模方式API類型適用場景代碼風(fēng)格Sequential順序模型簡單線性堆疊網(wǎng)絡(luò)清晰入門首選Functional函數(shù)式模型多輸入、多輸出、共享層、殘差結(jié)構(gòu)靈活真實項目主力Subclassing子類化模型完全自定義訓(xùn)練邏輯最自由也最復(fù)雜入門階段先把Sequential玩熟它就像拼積木——一層接一層。之后做復(fù)雜項目再過渡到Functional它像是搭電路板可以從任意位置分叉、合并。2.3 為什么入門選TensorFlow而不是PyTorch這是個好問題也是社區(qū)吵了很多年的話題。我的觀點一直很明確入門選TensorFlow/Keras進(jìn)階再看PyTorch。原因有三第一Keras的API設(shè)計真的為新手考慮過。model.add()、model.compile()、model.fit()這三個方法讀起來就是自然語言哪怕你不懂原理也能把模型跑起來。PyTorch更靈活但靈活的代名詞就是“需要你自己做更多決定”。第二TensorFlow生態(tài)里的配套工具完整。TensorFlow Serving做部署、TensorBoard做可視化、TensorFlow Lite做移動端——從訓(xùn)練到上線是一條龍閉環(huán)。你學(xué)完一個框架后面部署時不用再換技術(shù)棧。第三中文資料海量。搜索一切TensorFlow報錯基本都能找到前人踩坑記錄。這點實際用起來極其重要。但說句公道話如果你是搞科研或者想做學(xué)術(shù)論文復(fù)現(xiàn)PyTorch確實更方便。這兩者不是死對頭入門用Keras建立直覺后期工作需要再補(bǔ)PyTorch時間成本完全可控。3. 第一個實戰(zhàn)項目CIFAR-10圖像分類3.1 項目目標(biāo)與數(shù)據(jù)準(zhǔn)備紙上談兵終覺淺我?guī)阕鲆粋€非常經(jīng)典的入門項目CIFAR-10圖像分類。這也是跑通深度學(xué)習(xí)流程的必修課理解了它后面的項目都是同一套邏輯換皮。CIFAR-10數(shù)據(jù)集包含6萬張32x32的彩色圖片分為10個類別飛機(jī)、汽車、鳥、貓、鹿、狗、青蛙、馬、船、卡車。TensorFlow里直接內(nèi)置了數(shù)據(jù)集不用去網(wǎng)上下載一行代碼的事import tensorflow as tf from tensorflow.keras import datasets, layers, models (train_images, train_labels), (test_images, test_labels) datasets.cifar10.load_data()打印一下數(shù)據(jù)shape你會看到print(train_images.shape) # (50000, 32, 32, 3) 五萬張32x32的三通道彩色圖 print(train_labels.shape) # (50000, 1) 標(biāo)簽是整數(shù)選擇CIFAR-10的原因很現(xiàn)實① 圖片尺寸小CPU也能快速迭代② 類別豐富模型能學(xué)到真正的圖像特征③ 是行業(yè)內(nèi)標(biāo)準(zhǔn)benchmark網(wǎng)上相關(guān)經(jīng)驗多報錯了能查到答案。3.2 數(shù)據(jù)預(yù)處理歸一化不能省正式建模前通常要做一步歸一化把像素值從0~255壓縮到0~1之間。train_images, test_images train_images / 255.0, test_images / 255.0為什么必須做這一步因為神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)的尺度非常敏感。你想啊像素值范圍0~255如果網(wǎng)絡(luò)某層的權(quán)重初始值在0附近輸入直接乘以255梯度很可能爆炸或消失。類比到生活里你給一個人布置任務(wù)單位是“元”還是“萬元”他對“100”這個數(shù)字的感知是完全不同的。歸一化就是把所有數(shù)據(jù)都放到同一個“感知尺度”上讓模型更容易學(xué)習(xí)。這里還有一個細(xì)節(jié)CIFAR-10的標(biāo)簽是整數(shù)不是one-hot編碼。后面選損失函數(shù)時必須用SparseCategoricalCrossentropy如果用了CategoricalCrossentropy就會報維度不匹配的錯。這個問題我見過太多人踩了。3.3 用Keras搭建卷積神經(jīng)網(wǎng)絡(luò)CNN這是項目的核心模塊。我用Keras Sequential API搭建了一個經(jīng)典的卷積網(wǎng)絡(luò)結(jié)構(gòu)model models.Sequential([ # 第一層卷積32個3x3卷積核提取圖像局部特征 layers.Conv2D(32, (3, 3), activationrelu, input_shape(32, 32, 3)), # 池化層壓縮特征圖尺寸減少計算量防止過擬合 layers.MaxPooling2D((2, 2)), # 第二層卷積64個卷積核學(xué)習(xí)更高級的特征 layers.Conv2D(64, (3, 3), activationrelu), layers.MaxPooling2D((2, 2)), # 第三層卷積繼續(xù)加深特征提取 layers.Conv2D(64, (3, 3), activationrelu), # 把二維特征圖拉平接全連接層 layers.Flatten(), # 全連接層做特征整合 layers.Dense(64, activationrelu), # 輸出層10個神經(jīng)元對應(yīng)10個類別不帶softmax layers.Dense(10) ])用生活化類比解釋這些層Conv2D卷積層像人眼聚焦看圖先識別邊緣、紋理等小局部特征。32和64是“眼睛”的數(shù)量越多看得越細(xì)但計算量也越大。MaxPooling2D池化層像圖片壓縮軟件把2x2的區(qū)域取最大值尺寸縮小一半。既減少計算量又保留主要特征還能防止模型對位置過度敏感。Flatten展平層把多維特征圖拉成一維向量因為后面的全連接層只接受一維輸入。Dense全連接層把前面提取的特征進(jìn)行綜合打分每個神經(jīng)元學(xué)到一個類別的“投票權(quán)”。input_shape(32, 32, 3)只在第一層指定后面層會自動推導(dǎo)輸入維度。激活函數(shù)選了relu它是目前圖像識別領(lǐng)域最常用的激活函數(shù)計算簡單、能有效緩解梯度消失。輸出層故意不激活因為后面損失函數(shù)里帶了from_logitsTrue參數(shù)它會在內(nèi)部自行處理softmax這個寫法數(shù)值穩(wěn)定性更好。3.4 編譯模型優(yōu)化器、損失函數(shù)、評估指標(biāo)模型結(jié)構(gòu)定義好了還要“編譯”才能訓(xùn)練。編譯是配置學(xué)習(xí)過程的三個關(guān)鍵參數(shù)model.compile(optimizeradam, losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue), metrics[accuracy])optimizer優(yōu)化器adam是目前最流行的自適應(yīng)學(xué)習(xí)率優(yōu)化器。簡單說它負(fù)責(zé)回答“怎么調(diào)整權(quán)重讓損失變小”。選adam的原因在于它幾乎不需要調(diào)參默認(rèn)學(xué)習(xí)率就能在大多數(shù)問題上表現(xiàn)良好對新手極其友好。loss損失函數(shù)評估模型預(yù)測和真實標(biāo)簽的差距是模型優(yōu)化的目標(biāo)。因為我們的標(biāo)簽是整數(shù)索引不是one-hot向量所以選SparseCategoricalCrossentropy。metrics評估指標(biāo)在訓(xùn)練過程中我們觀察什么指標(biāo)。分類任務(wù)一般看accuracy就是準(zhǔn)確率。我一直強(qiáng)調(diào)初學(xué)者不用糾結(jié)優(yōu)化器的數(shù)學(xué)原理先把a(bǔ)dam當(dāng)成默認(rèn)選項跑通流程后有興趣再去深入研究。就像開車新手先學(xué)會踩油門剎車發(fā)動機(jī)原理可以以后慢慢學(xué)。3.5 訓(xùn)練模型fit函數(shù)和回調(diào)機(jī)制編譯完成后一行代碼就能啟動訓(xùn)練history model.fit(train_images, train_labels, epochs15, batch_size64, validation_data(test_images, test_labels))參數(shù)解釋epochs15模型要把整個訓(xùn)練集看15遍。每看完一遍權(quán)重更新一次理論上看得越多學(xué)得越好但太多會過擬合。batch_size64每次取64張圖片計算一次梯度。如果電腦內(nèi)存不夠調(diào)小這個值可以緩解內(nèi)存壓力比如32或16。validation_data每訓(xùn)練完一個epoch在測試集上驗證一次。通過驗證集準(zhǔn)確率判斷模型是“真學(xué)會了”還是“把訓(xùn)練集背下來了”。我在實際訓(xùn)練時通常會加兩個回調(diào)函數(shù)來控制過程from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint callbacks [ EarlyStopping(monitorval_loss, patience3, restore_best_weightsTrue), ModelCheckpoint(best_model.h5, monitorval_loss, save_best_onlyTrue) ] history model.fit(train_images, train_labels, epochs15, batch_size64, validation_data(test_images, test_labels), callbackscallbacks)EarlyStopping的作用是當(dāng)驗證集損失連續(xù)3個epoch不再下降就自動停止訓(xùn)練防止過擬合也節(jié)省時間。ModelCheckpoint會在每輪結(jié)束后保存驗證集表現(xiàn)最好的模型權(quán)重這樣即使后面訓(xùn)練跑偏了我們還能回滾到最優(yōu)版本。訓(xùn)練開始后你會看到類似這樣的輸出Epoch 1/15 782/782 [] - 8s 10ms/step - loss: 1.4103 - accuracy: 0.4856 - val_loss: 1.2632 - val_accuracy: 0.5427前幾個epoch準(zhǔn)確率上升很快這是正常的。隨著訓(xùn)練進(jìn)行你會看到訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率的差距逐漸拉大——如果差距過大說明開始過擬合了這時候就該用EarlyStopping的耐心參數(shù)來控制。訓(xùn)練結(jié)束后用測試集評估一下最終效果test_loss, test_acc model.evaluate(test_images, test_labels, verbose2) print(test_acc)在CPU上訓(xùn)練15個epoch大概需要幾分鐘到十幾分鐘第一次跑通看到80%以上的準(zhǔn)確率恭喜你深度學(xué)習(xí)第一只腳已經(jīng)踏進(jìn)去了。順便說一句能用自己寫的代碼在圖像分類上達(dá)到這個水平說明你已經(jīng)掌握了數(shù)據(jù)加載、模型搭建、訓(xùn)練評估這套核心閉環(huán)。3.6 模型保存與加載不能只活在內(nèi)存里訓(xùn)練出來的模型如果只在當(dāng)前會話里能用那價值大打折扣。保存和加載模型是項目落地的最后一環(huán)兩種常見方式# 方式一保存整個模型包括結(jié)構(gòu)和權(quán)重 model.save(my_cifar10_model) # 方式二只保存權(quán)重需要配合代碼重新構(gòu)建模型結(jié)構(gòu) model.save_weights(my_cifar10_weights.h5)加載整個模型from tensorflow.keras.models import load_model restored_model load_model(my_cifar10_model) predictions restored_model.predict(test_images[:10])完整的模型文件除了權(quán)重還包含結(jié)構(gòu)定義、編譯配置和優(yōu)化器狀態(tài)。注意整個模型保存是TensorFlow 2.x推薦的默認(rèn)方式只保存權(quán)重適合你想改模型結(jié)構(gòu)再加載舊權(quán)重的場景。model.save保存出來的是一個文件夾里面包含assets、variables和saved_model.pb等文件。這種格式叫SavedModel是TensorFlow官方推薦的模型交換格式后續(xù)部署到服務(wù)端或移動端都用它。4. 常見問題與排查技巧實錄4.1 環(huán)境配置與安裝類問題問題描述大概率原因解決方案ImportError: DLL load failedPython版本不兼容或依賴庫沖突重建虛擬環(huán)境嚴(yán)格按版本表安裝ModuleNotFoundError: No module named tensorflow安裝到了別的環(huán)境檢查which python確認(rèn)當(dāng)前解釋器pip安裝速度極慢默認(rèn)下載源在國外使用國內(nèi)鏡像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow安裝TensorFlow后NumPy版本沖突TensorFlow對NumPy有版本范圍要求在虛擬環(huán)境里執(zhí)行pip install numpy1.23.5Pip明明是裝了TensorFlow但import報錯這種問題我在帶新人時見得太多了。十次有八次是環(huán)境沒對——你以為是tf2環(huán)境里裝的實際pip指向的是全局Python。排查方法很簡單在終端里先執(zhí)行conda activate tf2再輸入which python確認(rèn)路徑是在~/anaconda3/envs/tf2/bin/python。一切檢查完再裝包能省去一半的玄學(xué)問題。4.2 訓(xùn)練過程中的經(jīng)典報錯問題1Loss變成了NaN訓(xùn)練剛開始還正常跑著跑著loss變成NaN準(zhǔn)確率跟著變沒。這種情況大概率是學(xué)習(xí)率太大導(dǎo)致梯度爆炸。解決思路# 用更小的學(xué)習(xí)率重新編譯 model.compile(optimizertf.keras.optimizers.Adam(learning_rate0.0001), losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue), metrics[accuracy])還有可能是數(shù)據(jù)問題如果輸入數(shù)據(jù)里有NaN值也會傳導(dǎo)到loss。檢查一下數(shù)據(jù)預(yù)處理環(huán)節(jié)有沒有除以0或未處理的缺失值。問題2訓(xùn)練集準(zhǔn)確率98%測試集只有75%這是典型的過擬合。模型把訓(xùn)練集“背”下來了沒學(xué)會泛化。我的處理手段按優(yōu)先級排序加Dropout層隨機(jī)丟棄部分神經(jīng)元逼迫模型不依賴特定路徑。早停EarlyStopping在第3.5節(jié)已經(jīng)演示過。數(shù)據(jù)增強(qiáng)比如隨機(jī)翻轉(zhuǎn)、裁剪圖片增加訓(xùn)練樣本多樣性。數(shù)據(jù)增強(qiáng)是圖像任務(wù)里對抗過擬合的神器from tensorflow.keras.preprocessing.image import ImageDataGenerator datagen ImageDataGenerator( rotation_range15, width_shift_range0.1, height_shift_range0.1, horizontal_flipTrue ) datagen.fit(train_images) model.fit(datagen.flow(train_images, train_labels, batch_size64), epochs15, validation_data(test_images, test_labels))問題3訓(xùn)練速度慢且CPU占用低如果你用的是CPU訓(xùn)練發(fā)現(xiàn)CPU占用率不到50%甚至10%大概率是數(shù)據(jù)加載成了瓶頸——模型在等數(shù)據(jù)GPU或CPU在摸魚。解決方案是使用tf.data管道并啟用預(yù)取train_ds tf.data.Dataset.from_tensor_slices((train_images, train_labels)) train_ds train_ds.shuffle(1000).batch(64).prefetch(tf.data.AUTOTUNE)prefetch會把數(shù)據(jù)提前加載到內(nèi)存里讓計算和數(shù)據(jù)加載流水線并行工作。加了這一句訓(xùn)練速度能提升很多。問題4GPU安裝了但是TensorFlow用不上這個坑我當(dāng)年跳得最深。nvidia-smi能看到顯卡tf.config.list_physical_devices(GPU)卻是空列表。原因基本就是CUDA和cuDNN版本跟TensorFlow的構(gòu)建要求不匹配。TensorFlow 2.10對應(yīng)的CUDA版本是11.8cuDNN是8.6。裝的時候按官方那套來順序是先裝NVIDIA驅(qū)動再裝CUDA Toolkit最后放cuDNN文件。注意核對CUDA啟動環(huán)境變量。再說一次我的建議入門別配這玩意等模型規(guī)模真的需要GPU加速了再按官方文檔從上到下過一遍成功率會高很多。4.3 一個隱藏的“殺手”Keras版本和TensorFlow版本不匹配有些老教程還在教你from keras import ...如果你裝了TensorFlow之后還單獨(dú)裝過keras包很可能代碼走的是獨(dú)立Keras而不是TensorFlow內(nèi)置的Keras。這兩個庫的API存在版本差異輕則警告重則模型跑不起來。判斷方法import keras print(keras.__version__)如果你用的是TensorFlow集成的Keras應(yīng)該這樣做from tensorflow import keras print(keras.__version__)從第一行代碼就養(yǎng)成from tensorflow.keras import ...的習(xí)慣能避免一大類問題。5. 學(xué)完這個項目后往哪走5.1 把項目換湯不換藥地擴(kuò)展CIFAR-10圖像分類跑通后你已經(jīng)掌握了深度學(xué)習(xí)的標(biāo)準(zhǔn)流程。接下來從這個項目出發(fā)可以做的擴(kuò)展非常多。搜熱詞里看到的幾個方向其實都是同一套流程的變體基于深度學(xué)習(xí)的口腔疾病圖像識別系統(tǒng)本質(zhì)是醫(yī)學(xué)圖像分類把CIFAR-10里的貓狗換成各種口腔病變成像一般會加更嚴(yán)格的數(shù)據(jù)增強(qiáng)處理類別不均衡問題。難點在數(shù)據(jù)標(biāo)注和質(zhì)量模型結(jié)構(gòu)跟我們的CNN一致主流會換ResNet這類更深的骨架網(wǎng)絡(luò)。CNN識別惡意軟件把惡意軟件的二進(jìn)制數(shù)據(jù)轉(zhuǎn)換成圖像再用CNN判斷是良性還是惡意。小區(qū)分在輸入處理階段但核心思路仍然是“圖像分類”。利用Transformer進(jìn)行回歸的案例圖像分類學(xué)的是模型輸出類別回歸任務(wù)是模型輸出連續(xù)數(shù)值。比如用時間序列預(yù)測股價、銷量。Transformer結(jié)構(gòu)跟CNN完全不同但如果理解了Keras的建模流程你會發(fā)現(xiàn)在compile時把損失函數(shù)換成MSE就好網(wǎng)絡(luò)結(jié)構(gòu)單獨(dú)再學(xué)。我從這些熱詞里挑選過研究選題發(fā)現(xiàn)最有價值的不是搜到教程而是意識到搜索引擎里高熱度的問題往往都是大眾卡殼最嚴(yán)重的地方把這些痛點解決了你在這個領(lǐng)域的技術(shù)敏感度就上來了。5.2 接下來按什么順序?qū)W我給新手建議的學(xué)習(xí)路徑是這樣的鞏固數(shù)據(jù)預(yù)處理和tf.data管道真實項目的數(shù)據(jù)是臟的對這部分能節(jié)省大量時間。學(xué)Functional API做殘差網(wǎng)絡(luò)、多模態(tài)輸入輸出時要頻繁用它。掌握TensorBoard可視化用瀏覽器看訓(xùn)練曲線理解模型訓(xùn)練過程。嘗試遷移學(xué)習(xí)用預(yù)訓(xùn)練的ResNet50、MobileNet直接在自定義數(shù)據(jù)集上微調(diào)。這是目前工業(yè)界最常用也最有效的方法。深入一個方向文本處理選Transformer圖像分割選U-Net時間序列選LSTM或Transformer。我說得直白一點入門之后區(qū)分普通人和高手的分水嶺一個是能不能處理好自己的數(shù)據(jù)另一個是會不會用遷移學(xué)習(xí)快速解決問題。5.3 資源推薦現(xiàn)在資料多得泛濫反而不知道該看哪些。我推薦的標(biāo)準(zhǔn)是“少而精配代碼”《動手學(xué)深度學(xué)習(xí)》李沐等人免費(fèi)在線閱讀有PyTorch和TensorFlow兩個版本代碼理論代碼結(jié)合做得很好。TensorFlow官網(wǎng)教程入門教程質(zhì)量很高而且會隨著版本更新持續(xù)維護(hù)。Keras官方示例庫結(jié)構(gòu)清晰覆蓋從圖像到文本幾乎所有任務(wù)。直接把代碼拿下來改一改就是你的項目。那些所謂的“深度學(xué)習(xí)課本pdf”我勸你別花時間去搜了。教材的重點是理論推導(dǎo)你現(xiàn)階段最需要的是“跑起來的感覺”是那種“我終于把模型訓(xùn)練成功”的正反饋。等代碼跑順了再回頭補(bǔ)理論理解會深刻得多。照例說點實際體會。每次帶人入門我都有一種感覺讓新手放棄的往往不是算法難度而是環(huán)境的挫敗感和“不知道怎么回事就跑通了”的虛無感。這篇文章從環(huán)境一步步走到實戰(zhàn)就是想幫你把這兩座大山都搬走。你照著敲一遍遇到報錯別慌先看錯誤信息里有沒有ModuleNotFoundError、ValueError這些關(guān)鍵詞再對照第4章的表格查。跑通模型的那一刻你會發(fā)現(xiàn)深度學(xué)習(xí)沒那么玄乎——它就是你用Python按照一套固定的流程讓機(jī)器從數(shù)據(jù)里找出規(guī)律而已。這套流程跑熟了后面所有模型對你來說都只是一個新結(jié)構(gòu)、新數(shù)據(jù)的組合游戲。