机器学习 Study Jam：第二季课程总结与回顾

A1: 简单来说，有，TensorFlow 2.0 C 语言版本的安装方法可以直接这里找到 。

• 这里
  https://tensorflow.google.cn/install/lang_c  

这里扩展一下关于 TensorFlow 2.0 的语言支持。TensorFlow 2.0 支持很多语言，不仅支持 Python、C、Java、Go 等语言。首先要理解一点，TensorFlow 本身并不是由 Python 或 Java 等语言写的，它的底层语言一定是 C++ 等更加底层的语言，这使得它的框架更加高效。TensorFlow 之所以支持多种语言，不是因为用其他语言重新写了一遍 TensorFlow，而是因为用了某种 binding 的方式，将各种语言与 TensorFlow 核心的部分绑定在一起。相当于 TensorFlow 2.0 的底层是用 C++ 写的，但在上面暴露出一些 API 接口，而这些接口可以在任何语言下都去实现。这些接口的目的就在于把其他语言写的内容转化成 TensorFlow 看得懂的内容，通过这种架构使得 TensorFlow 支持多种语言。

A2: 这是一个比较大的问题。tf.function 可以简单理解为一个桥梁，桥梁的作用在于把用即时执行模式写出的模型转化成用图模式来实现的模型，转化的主要目的是服务于模型的部署以及让模型的运行更加高效，从 high level 的角度理解的话就是一个桥梁的作用，构建了一个从即时执行到图模式的桥梁。

A3: 两者差别有点大，首先要理解 TensorFlow Lite 是服务于模型部署的工具，也即是说在使用 TensorFlow Lite 之前，你的模型应该已经训练好了，并且导出成一个统一的 savedmodel。我现在想做的任务是我有一个训练好的模型，想在移动端部署，在这个过程中就可以用到 TensorFlow Lite；但它本身是不能用来模型训练的，至少暂时不行。TensorFlow Lite 的存在就是为了使模型部署在移动端更加高效，因为移动端与电脑端的要求不一样，移动端对效率是非常敏感的，因为电池容量有限，无法支持计算量非常大的运算，比如手机识别图片半小时就没电了，或者手机会发热像暖手宝一样，TensorFlow Lite 就是要解决这样的问题。TensorFlow Lite 希望把这些模型部署在手机上，可能一定程度上会有性能的损失，比如之前图片识别率是 95%，现在是 94%，但是模型部署是非常高效的，花费很少的计算资源就可以让模型跑起来，由此可见二者的区别在于 TensorFlow 2.0 主要用来做模型训练，TensorFlow Lite 主要服务于模型部署。

A4: 在浏览器里跑的话，还是要冻结之后 SavedModel 出来，前端浏览器里加载之后才可以。如果是在后端用 node 跑的话，可以试一下 TensorFlow 的 SavedModel 直接把模型转过来，也可以在 JavaScript 里进行后续训练。当然在前端浏览器也可以做后续训练，但性能会稍微差一些。所以一般来讲，我们在 html 里会部署一个模型，模型会压缩，会想办法让它变得更小，到页面里做 inference，但在后端页面的话，在 node.js 里可以做任何 Python 的 TensorFlow 可以做的事。

A5: 性能问题是绝对存在的，取决于我们如何优化它达到最终的实际效果。如果在浏览器中加载 BERT 模型，虽然 BERT 有点太重了，比如有 1G 的参数，到正式使用时可能要压缩到 100M 才能正式使用。那么在前端浏览器也是一样，我们有很多 TensorFlow Lite 各种模型的压缩和精简，我们把精简的模型拿过来放到合适的场景下用，这是现阶段比较好用的。如果是模型很大的话，放在后端去做训练微调，如果在前端应用的话要压缩得尽量小才行。

A6: 不太容易，但不排除以后可以，如果用了 TensorFlow 的 binding ，又可以在 Google Cloud 上用 TPU 的话，那时候你用的是 JavaScript 还是 Python，本质区别就不大了。目前还是建议大家把 tf.js 用做一个 deployed 的部署工具，把它用起来，去解决一些前端领域的问题，不要去挑战算力和性能。