内容发布更新时间 : 2025/1/23 13:33:08星期一 下面是文章的全部内容请认真阅读。

自然语言主要使用RNN、LSTM、GRU等，目前新推出的TensorFLowFold支持DynamicsBatching，计算效率大幅度提升，非常适合做自然语言处理。 2.TensorFlow在实际生产环境中，有什么特别适合的场景呢？

TensorFlow部署非常方便，可用在Android、iOS等客户端，进行图像识别、人脸识别等任务。常见的CTR预估，推荐等任务，也可以轻松地部署到服务器CPU上。

3.TensorFlow有在生产企业中应用的案例吗？

在Google用的特别多，所有会用到深度学习的场景，都可以使用TensorFlow，比如搜索、邮件、语音助手、机器翻译、图片标注等等。

4.TensorFlow在大数据行业的应用和运用怎么样？TensorFlow的源码使用了哪些设计模式？

应用非常广的，谷歌已经在很多项目上用了TensorFlow，比如说

Youtubewatchnext，还有很多研究型的项目，谷歌DeepMind以后所有的研究都会使用这个框架。如果对某段代码好奇，可以去参考参考源代码学习学习，很多的设计都是经过内部各种项目和用户的千锤百炼。

Google内部非常多team在使用TensorFlow，比如搜索、邮件、语音、机器翻译等等。数据越大，深度学习效果越好，而支持分布式的TensorFlow就能发挥越大的作用。

5.最近在学习TensorFlow，发现其分布式有in-graph和between-gragh两种架构模式，请问这两种架构的区别是什么？或者是不是应用场景不同？ 其实一个in-graph就是模型并行，将模型中不同节点分布式地运行；between-graph就是数据并行，同时训练多个batch的数据。要针对神经网络结构来设计，模型并行实现难度较大，而且需要网络中天然存在很多可以并行的节点。因此一般用数据并行的比较多。

6.TensorFlow实现估值网络，作用和意义在哪里？有没有其他的方法实现估值网络？

估值网络是深度强化学习中的一个模型，可以用来解决常见的强化学习问题，比如下棋，自动玩游戏，机器控制等等。

7.想请问下TF有类似SparkStreaming的模块吗？TF在后端存储上和cassandra或者hdfs的集成上有没有啥需要注意的地方？Spark在集群上依赖Master，然后分发到Worker上，这样的架构感觉不太稳定，不知道TF在分布式是什么架构有没有什么特点？

目前没有类似Streaming的东西，Spark主要用来做数据处理。TensorFlow则更多是对处理后的数据进行训练和学习。

8.TensorFlow对初学者是否太难了？TensorFlow貌似都是研发要用的，对服务器运维会有哪些改变？

TensorFlow针对实际生产也是非常好的。应该是所有框架中最适合实际生产环境的，因为有Google强大的工程团队的支持，所以TensorFlow拥有产品级的代码，稳健的质量，还有适合部署的TensorFlowServing。

9.TensorFlow从个体学习研究到实际生产环境应用，有哪些注意事项？ 个人研究的时候没有太多限制，实际上线生成可以使用TensorFlowServing，部署效率比较高。

10.TF的耗能是否可以使其独立工作在离线环境的嵌入式小板上，真正达到可独立的智能机器人。

可以的，使用TensorFlow的嵌入式设备很多。但做机器人涉及到很多步骤，核心部分都设计了机器学习，图像处理之类的，TensorFlow可以用来搭建那些。 11.互联网应用如何结合TensorFlow，能简单介绍一下吗？

互联网应用很多都是推荐系统，比如说Youtubewatchnext的推荐系统就是用到了TensorFlow，现在在tf.contrib.learn里面有专门的Estimator来做

WideandDeepLearning（可以查看官网上的例子，我们的书中也有更深一些的讲解），大家也都可以用的。

12.不知道有没有针对传统零售行业的实际案例，比如销售预测的案例。 用深度学习可以做销售预测模型，只要它可以转为一个分类预测的问题。

13.使用TensorFlow的产品有哪些？有比较有代表性的吗？

可以看看我之前的评论，Youtubewatchnext就是其中一个例子，还有很火的AlphaGo。

四、TensorFlow之实战篇

1.现在在用TensorFlow实现图像分类的例子，参考的是CIFAR-10，输入图片会被随机裁剪为24x24的大小，而且训练效率较慢（用了近20小时，已使用了GPU），是否有其他方法来提高效率？TensorFlow有分布式的处理方法吗，若采用分布式，是否要手动将每一台机器上的训练结果进行合并？若提高裁剪的大小，是否能提高准确率？另外，网上有评论说TensorFlow的C/C++接口没有Caffe友好，这个您怎么看？

提高裁剪的大小，会降低样本量，准确率不一定提高。训练20多小时是用了多少epoch？可以通过tensorboard观看准确率变化，不一定要训练特别多epoch。TensorFlow有分布式的训练，不需要手动，有比较好用的接口，在《TensorFlow实战》中有详细的例子如何使用分布式版本。TF的C/C++接口很完善，有没有caffe友好这个见仁见智。

2.想问一下TensorFlow和Spark结合的框架，例如TensorFlowonSpark，目前是否已经成熟可用？另外，TensorFlow新版本增加了对JavaAPI的支持，如果不使用Python语言，所有功能都直接使用Java语言进行相关开发是否已经可行？ JavaAPI目前还不太成熟，很多还有待实现，TensorFlowOnSpark也挺有意思的，可以在现有的Spark/Hadoop分布式集群的基础上部署TensorFlow的程序，这样可以避免数据在已有Spark/Hadoop集群和深度学习集群间移动，HDFS里面的数据能够更好的输入进TensorFlow的程序当中。至于成熟不成熟我就不清楚了，毕竟自己还没有试过，不过稍微看了看雅虎自己有使用。

3.对其他的一些机器学习的库接触过一些，要出一个好的效果，对算法选取和参数设置及调节这些方面，希望能给些建议。算法比较多，该如何从分析维度去选取合适的算法？

我觉得最好的方法就是参加数据科学竞赛，比如说Kaggle，通过融入在大家的讨论当中，实际操作和锻炼，你可以很快的理解各种参数的意义和一些比较好的参数范围。

对于一般的数值、种类等特征的数据集，XGboost和Lightgbm都有很好的效果。如果你的数据量很大，或者是图片、视频、语音、语言、时间序列，那么使用深度学习将能获得很好的效果。

4.打算做个文章分析类的东东，比如，分析一篇新闻的要素(时间、地点、人物)，用TensorFlow应该怎么着手？

这个问题应该先看看NLP（自然语言处理）相关的内容，TensorFlow是实现你算法的工具。但是前提是你得知道应该使用什么算法。

5.TensorFlow对于分布式GPU支持吗？如何选择TensorFlow和XGboost？ TensorFlow支持分布式GPU，用于深度学习。XGBoost主要是做

gradientboosting这一块，最近也有人贡献了代码使它能够的GPU上跑，可以做一做实验比较一下。毕竟XGboost是经过kaggle用户的千锤百炼，很多都已经能够满足他们的需求了。

6.现在学习TensorFlow有没有合适的数据可以使用的？

TensorFlow中自带了MNIST和CIFAR数据的下载程序，其他常用的，比如ImageNet,Gigaword等数据集需要自己下载。 7.BNN分类器训练出的曲线是高次多项式吗？

你说的BNN是指？如果神经网络中没有激活函数，那输出的结果只是输入的线性变换。但是加入了激活函数后，就不是高次多项式了。

五、其他相关的问题

1.TensorFlow的发展趋势是怎么样的？

会集成越来越多的contrib模块，添加很多方便的上层接口，支持更多的语言绑定。同时新推出的XLA（JIT编译器），Fold（DynamicsBatching）都是未来的大方向。

2.个人开发者做TensorFlow应用和开发有前途吗？还是说数据和资料都在大公司，没有合适的、相当数量的数据喂养是无法训练好模型的？

不仅仅限制在深度学习领域，现在TensorFlow也提供很多机器学习的Estimators，我贡献的大部分都在这一块，可以了解一下tf.contrib.learn这个模块，书中有很多机器学习的例子。

另外就是具体要看你做什么任务，当然数据是需要的，但是现在也有很多公开的数据。大公司的数据虽多，但是质量也并不是非常高。 ————————

最后，安利一下两位老师的著作——《TensorFlow实战》。本书结合了大量代码实例，深入浅出地介绍了如何使用TensorFlow、深度剖析如何用TensorFlow实现主流神经网络、详述TensorBoard、多GPU并行、分布式并行等组件的使用方法。