引言

前面写了一篇Tensorflow2与PaddlePaddle小白入门级写法对比的
今天来看一下所谓的专家入门写法对比（这里的专家不是本人说的，出自Tensorflow官网，求生欲满满：https://tensorflow.google.cn/overview?hl=en）

数据加载器

• Tensorflow2

import tensorflow as tf
# 加载数据集
(train_images, train_labels), (test_images, test_labels) = \
    tf.keras.datasets.mnist.load_data()

train_ds = tf.data.Dataset.from_tensor_slices((train_images, train_labels)).shuffle(60000).batch(32)
test_ds = tf.data.Dataset.from_tensor_slices((test_images, test_labels)).batch(32)

• PaddlePaddle

import paddle
# 加载数据集
train_dataset,test_dataset = paddle.vision.datasets.MNIST(mode='train'), \
                             paddle.vision.datasets.MNIST(mode='test')

train_loader = paddle.io.DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = paddle.io.DataLoader(train_dataset, batch_size=32,)

数据加载器的使用上差距并不是很大，不过发现TF2的使用过程提供了一个map函数，可以自定义数据的预处理

# 预处理
def preprocess(x,y):
    x = tf.cast(x,dtype = tf.float32)/255
    y = tf.cast(y,dtype = tf.int32)
    return x,y

db =  tf.data.Dataset.from_tensor_slices((x, y)).map(preprocess).batch(32)

---

模型定义

在模型的定义上，两者都支持自定义模型，套路如出一辙

• Tensorflow2

class MnistModel(tf.keras.Model):
  def __init__(self):
    super(MnistModel, self).__init__()
    self.flatten = tf.keras.layers.Flatten()
    self.middle = tf.keras.layers.Dense(128, activation='relu')
    self.out = tf.keras.layers.Dense(10, activation='softmax')

  def call(self, x):
    x = self.flatten(x)
    x = self.middle(x)
    x = self.out(x)
    return x

• PaddlePaddle

class MnistModel(paddle.nn.Layer):
    def __init__(self):
        super(MnistModel, self).__init__()
        self.flatten = paddle.nn.Flatten()
        self.middle = paddle.nn.Linear(784,128)
        self.middle_act = paddle.nn.ReLU()
        self.out = paddle.nn.Linear(128,10)

    def forward(self, x):
        x = self.flatten(x)
        x = self.middle(x)
        x = self.middle_act(x)
        x = self.out(x)
        return x

---

训练指标的配置

两者都或多或少提供了一些可以现成使用的对象，不过这一关TF2以多胜出，Paddle虽寡不敌众，然常用指标都有

• Tensorflow2
  

• PaddlePaddle
  

---

训练过程

训练过程的差异主要体现在函数的使用方式上

• Tensorflow2

EPOCHS = 5
for epoch in range(EPOCHS):
    for images, labels in train_ds:
        with tf.GradientTape() as tape:
            # 前向传播
            predictions = model(images/255)
            # 计算本批次loss
            loss = loss_object(labels, predictions)
            # 梯度更新
            gradients = tape.gradient(loss, model.trainable_variables)
            optimizer.apply_gradients(zip(gradients, model.trainable_variables))
        # 汇总loss和acc
        train_loss(loss)
        train_accuracy(labels, predictions)

• PaddlePaddle

EPOCHS = 5
for epoch in range(EPOCHS):
   for batch_id, data in enumerate(train_loader()):
       images,labels = data[0].astype('float32')/255,data[1].astype('int64')
       # 前向传播
       predicts = model(images)
       # 计算本批次loss
       loss = paddle.nn.functional.cross_entropy(predicts, labels)
       train_loss = paddle.mean(loss)
       # 梯度更新
       train_loss.backward()
       optimizer.step()
       optimizer.clear_grad()
       # 汇总loss和acc
       acc = train_accuracy.compute(predicts, labels)
       train_accuracy.update(acc)

---

总体代码横向对比

看完了纵向对比，再来横向对比看看二者的写法

---

结语

从上面的写法上，不难看出，两者的总体流程还是比较相似，暂时并未发现逻辑上比较诡异的地方（比如糟糕的TF1，神一样的代码）

为什么Tensorflow的文档上说是专家入门呢？看起来明显比小白入门方式复杂了很多！

本人的理解是：

算法模型在使用过程中是千变万化的，一个既定的壳子（小白写法）由于封装太多，在应对复杂的场景时会显得不那么灵活，带来调试和计算过程拆解的不便，而要对算法模型进行灵活开发，就需要牢固的算法基础作为支撑，也就是所谓的专家！