TensorFlow 2.0 入门：从婚庆推荐算法到生产部署的实战手记
上周五晚上十点半，我一边啃着冷掉的麦当劳，一边在 VS Code 里调试一个 TensorFlow 模型——没错，这就是备婚+刷题+加班三重奏的日常。上个月刚跟未婚夫敲定婚礼日期，结果领导又甩来一个新需求：“能不能用 AI 给用户推荐个性化的婚礼主题？” 我翻了个白眼，但转念一想：反正最近在准备跳槽，不如借机深入学下 TensorFlow 2.0，顺便把算法、模型部署这些硬核技能补一补。
说干就干。作为一个重度依赖 ChatGPT 和 Claude 的程序媛（别笑，谁还没个“AI搭子”？），我很快搭起了一个原型。今天这篇笔记，就记录下从零入门 TF 2.0 的过程，尤其是如何把一个看似“高大上”的机器学习任务，落地到我们团队那套老旧的 Spring Boot 后端 + 前端 JavaScript 生态里。
为什么是 TensorFlow 2.0？
先说背景：我们公司是个中型 SaaS 平台，主要做婚庆全流程管理。前端用 React，后端是 Spring Boot，数据库是 MySQL + Redis。产品经理想要一个“智能灵感推荐”功能——比如用户上传了婚纱照，系统能自动推荐匹配的场地风格、花艺搭配等。
这本质上是个多模态推荐问题，但 MVP 阶段我们先简化成：基于用户历史行为（点击、收藏、浏览时长）预测其对某类婚礼主题的兴趣得分。典型的监督学习 + 排序算法场景。
选 TensorFlow 2.0 而不是 PyTorch？原因很现实：
- 团队运维熟悉 TF Serving
- 公司已有 TF 1.x 遗留模型，升级比迁移成本低
- Keras 集成后开发体验更友好（对我这种非算法岗太友好了）
核心概念快速过一遍
TF 2.0 最大的变化就是 Eager Execution 默认开启，再也不用手动建图、跑 session 了！写代码像写 NumPy 一样自然：
import tensorflow as tf
# 看，直接打印张量值！
x = tf.constant([1, 2, 3])
print(x) # 直接输出 [1 2 3]，不用 sess.run()
几个关键概念必须搞清：
| 概念 | 说明 | 类比 |
|---|---|---|
tf.Tensor |
多维数组，数据的基本单位 | 类似 NumPy array |
tf.Variable |
可训练参数（如权重） | 模型的“记忆” |
tf.function |
将 Python 函数编译为图，加速执行 | 类似 JIT 编译 |
tf.data |
高效数据管道 | 数据加载的瑞士军刀 |
我踩的第一个坑就是数据加载。一开始直接用 pandas.read_csv() 塞进模型，结果内存爆炸。后来改用 tf.data.Dataset，配合 cache() 和 prefetch()，训练速度直接起飞：
def make_dataset(csv_path, batch_size=32):
dataset = tf.data.experimental.make_csv_dataset(
csv_path,
batch_size=batch_size,
label_name='interest_score',
num_epochs=1,
shuffle=True
)
return dataset.cache().prefetch(tf.data.AUTOTUNE)
构建你的第一个推荐模型
我们的数据很简单：每行是一个 (user_id, theme_id, click_count, view_duration, ...)，标签是 interest_score（0~1 之间的浮点数）。
模型结构我选了经典的 Wide & Deep —— Wide 部分处理特征交叉（比如“25岁女性 + 海边婚礼”），Deep 部分捕捉非线性关系。TF 2.0 用 Keras Functional API 写起来超清爽：
def build_wide_and_deep_model(user_vocab, theme_vocab):
# 输入层
user_input = tf.keras.Input(shape=(), name='user_id', dtype=tf.string)
theme_input = tf.keras.Input(shape=(), name='theme_id', dtype=tf.string)
# Wide 部分：交叉特征
crossed = tf.keras.layers.experimental.preprocessing.HashedCrossing(
num_bins=10000, output_mode='one_hot'
)([user_input, theme_input])
wide_output = tf.keras.layers.Dense(1)(crossed)
# Deep 部分：嵌入 + MLP
user_embedding = tf.keras.layers.StringLookup(vocabulary=user_vocab)(user_input)
user_embedded = tf.keras.layers.Embedding(len(user_vocab), 16)(user_embedding)
theme_embedding = tf.keras.layers.StringLookup(vocabulary=theme_vocab)(theme_input)
theme_embedded = tf.keras.layers.Embedding(len(theme_vocab), 16)(theme_embedding)
deep = tf.keras.layers.concatenate([user_embedded, theme_embedded])
deep = tf.keras.layers.Dense(128, activation='relu')(deep)
deep = tf.keras.layers.Dense(64, activation='relu')(deep)
deep_output = tf.keras.layers.Dense(1)(deep)
# 合并输出
output = tf.keras.layers.Add()([wide_output, deep_output])
output = tf.keras.layers.Activation('sigmoid')(output) # 输出 0~1
model = tf.keras.Model(inputs=[user_input, theme_input], outputs=output)
return model
注意这里用了 StringLookup 做字符串到索引的映射——告别手动 One-Hot！这也是 TF 2.0 的预处理层优势：模型自带特征工程，导出后无需额外处理。
训练与调优：那些让我想砸键盘的时刻
训练初期 loss 死活不降，一度怀疑人生。后来发现是标签没归一化（兴趣得分原始范围 0~100）。加上 tf.keras.utils.normalize() 后，一个 epoch 就收敛了。
另一个坑是过拟合。我们的数据量不大（约 50 万条），模型稍微复杂就 memorize。解决方案：
- 加 Dropout（0.3 起步）
- Early Stopping（监控 val_loss）
- Label Smoothing（把 1 改成 0.95，0 改成 0.05）
model.compile(
optimizer='adam',
loss=tf.keras.losses.BinaryCrossentropy(label_smoothing=0.1),
metrics=['AUC']
)
callbacks = [
tf.keras.callbacks.EarlyStopping(patience=3, restore_best_weights=True),
tf.keras.callbacks.ReduceLROnPlateau(factor=0.5, patience=2)
]
history = model.fit(
train_dataset,
validation_data=val_dataset,
epochs=20,
callbacks=callbacks
)
最终 AUC 达到 0.87，在业务可接受范围内（产品经理居然没挑刺，感动哭了）。
导出模型：让 Spring Boot 能调用
模型训练完只是开始，如何集成到现有系统才是难点。我们的后端是 Java Spring Boot，总不能让 Java 直接跑 Python 吧？
方案一：TF Serving
方案二：导出 SavedModel，用 TensorFlow Java API 调用
我选了方案二——少维护一个服务。导出超简单：
model.save('wedding_recommend_model')
然后在 Spring Boot 项目里加依赖：
<dependency>
<groupId>org.tensorflow</groupId>
<artifactId>tensorflow-core-platform</artifactId>
<version>0.4.0</version>
</dependency>
Java 调用代码（简化版）：
try (Graph graph = Graph.importGraphDef(Files.readAllBytes(modelPath))) {
try (Session session = new Session(graph)) {
Tensor<?> userIdTensor = Tensors.create(new String[]{"user_123"});
Tensor<?> themeIdTensor = Tensors.create(new String[]{"beach_theme"});
Tensor<?> result = session.runner()
.feed("user_id", userIdTensor)
.feed("theme_id", themeIdTensor)
.fetch("StatefulPartitionedCall") // 注意：TF 2.x 默认输出节点名
.run().get(0);
float score = result.floatValue();
return score;
}
}
⚠️ 注意：TF 2.x 导出的 SavedModel 默认输出节点名是 StatefulPartitionedCall，别被坑了！
前端怎么用？JavaScript 也能玩！
虽然主要推理在后端，但前端偶尔也需要轻量级预测（比如实时反馈）。TF.js 完美支持加载 SavedModel：
// 在 React 组件里
import * as tf from '@tensorflow/tfjs';
useEffect(() => {
const loadModel = async () => {
const model = await tf.loadGraphModel('/models/wedding_recommend_model/model.json');
const score = model.predict({
user_id: tf.tensor(['user_123']),
theme_id: tf.tensor(['beach_theme'])
}).dataSync()[0];
setRecommendScore(score);
};
loadModel();
}, []);
不过要注意：TF.js 对 SavedModel 的兼容性有限，复杂模型建议用后端。
工具链：我的效率倍增器
整个过程中，这些工具救了我狗命：
- TensorBoard：可视化训练曲线，比 print loss 高级一万倍
- Weights & Biases：自动记录超参和指标，方便对比实验
- Docker：封装 TF 环境，避免“在我机器上能跑”
- Claude：帮我解释报错信息，比如
InvalidArgumentError: indices[0] = 0 is not in [0, 0)这种反人类错误
特别是 TensorBoard，一行代码搞定：
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="./logs")
model.fit(..., callbacks=[tensorboard_callback])
然后 tensorboard --logdir=./logs，浏览器打开就能看 loss/AUC 曲线、计算图、甚至 embedding 可视化！
心得：算法工程师 ≠ 炼丹师
很多人觉得搞 AI 就是调参炼丹，但实际工作中，数据质量 > 模型复杂度 > 超参优化。我们 80% 的时间花在：
- 清洗脏数据（比如用户误点导致的异常高分）
- 构建合理的负样本（随机采样 vs. hard negative mining）
- 设计评估指标（线上 AB 测试比离线 AUC 更重要）
另外，工程化能力决定模型上限。一个再牛的算法，如果无法部署、无法监控、无法迭代，就是废铁。这也是为什么我坚持要把模型塞进 Spring Boot —— 落地才有价值。
结语：边备婚边学 AI，痛并快乐着
现在这个推荐模型已经上线两周，CTR 提升了 18%，产品经理终于请我喝了杯喜茶（虽然还是没加薪）。下周就要去试婚纱了，但晚上还得刷 LeetCode 准备跳槽面试……程序员的生活啊，永远在 deadline 和梦想之间反复横跳。
如果你也在用 TensorFlow 2.0 做业务落地，欢迎留言交流！特别是怎么把 TF 模型塞进 Java 生态的坑，我真的踩过太多……（以及，有没有人知道婚庆行业的推荐系统还有什么骚操作？求分享！）
最后送大家一句我贴在显示器上的话：“模型会过拟合，但热爱不会。”
—— 一个在 bug 和捧花之间努力平衡的程序媛
评论 0