深夜撸TensorFlow，一个大专生的AI初体验
上周五晚上11点，办公室只剩我一个人。空调嗡嗡作响，咖啡已经凉透，但手里的代码还没跑通。这已经是连续第三天在折腾TensorFlow 2.0了——不是因为热爱，而是被产品经理“温柔”地塞了个需求：“能不能加个智能推荐？用户点击率太低了。”
我是去年刚入职的大专应届生，学的是计算机应用技术，靠自学前端混进了这家公司。两年下来，从写页面切图到搞Node.js后端，再到最近被迫接触AI，感觉自己快成全栈缝合怪了。不过说实话，深夜写代码效率是真的高，没人打扰，连测试都下班了（逃过一劫）。
这次要搞的推荐功能，领导说“简单搞个模型就行”，结果我翻了半天文档才发现，根本没那么简单。于是咬牙啃起了TensorFlow 2.0。今天这篇就记录下我的入门踩坑路，给和我一样半路出家、学历不高但想搞AI的兄弟们一点参考。
为什么选 TensorFlow 2.0？
其实一开始我想试试 PyTorch，社区活跃、教程多，但咱公司老系统全是 Python + TF 1.x 的遗产代码。领导一句话：“别折腾新东西，用现有的。” 好吧，那就 TF 2.0 吧——至少它比 1.x 友好多了，不用再手动管理 Session 和 Graph 了，终于能像写普通 Python 一样训练模型了。
TF 2.0 最大的变化就是 Eager Execution（即时执行） 默认开启。这意味着你写的每一行代码都会立刻执行，而不是先构建计算图再运行。对新手来说，调试简直爽飞。比如：
import tensorflow as tf
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5, 6])
c = a + b
print(c) # 直接输出结果，不用 sess.run()
这种体验，让我这个前端出身的人瞬间有了亲切感——不就是像写 JavaScript 一样吗？虽然一个是 Python 一个是 JS，但那种“写完就跑”的即时反馈，真的让人上头。
说到 JavaScript，其实现在 TF.js 也挺火的，可以直接在浏览器里跑模型。我们前端组去年还试过用它做人脸检测，但性能一般，复杂模型还是得靠后端。不过如果你是纯前端想玩 AI，TF.js 是个不错的入口。只是……别指望用它搞区块链+AI的组合拳，那玩意儿目前更多是 PPT 项目（别问我是怎么知道的，问就是被拉去参加过某“AI+区块链赋能实体经济”内部分享会，听得我直打哈欠）。
核心概念：张量、模型、损失函数
刚接触 TF，最容易懵的就是一堆术语：张量（Tensor）、层（Layer）、优化器（Optimizer）……其实拆开看也没那么玄乎。
- 张量：就是多维数组。标量是0维，向量是1维，矩阵是2维，更高维就是张量。比如一张 28x28 的灰度图，就是一个 (28, 28) 的张量。
- 模型：就是一堆层的组合。你可以用
tf.keras.Sequential像搭积木一样堆起来。 - 损失函数 & 优化器：告诉模型“你错在哪”和“怎么改”。比如分类问题常用交叉熵损失（CrossEntropy），优化器常用 Adam。
举个栗子，我们有个电商点击日志数据集，字段包括：用户ID、商品ID、是否点击（0/1）。目标是预测用户会不会点击某个商品。这其实是个典型的二分类问题。
我一开始直接上手写了模型：
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu', input_shape=(2,)),
tf.keras.layers.Dense(32, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
但跑了几次发现准确率卡在 0.6 左右。后来才意识到：输入特征太少了！ 就两个 ID 字段，模型根本学不到啥。这时候就得回到算法本质——特征工程比模型结构更重要。
特征工程：从 ID 到 Embedding
用户ID和商品ID都是离散值，直接喂进 Dense 层效果很差。正确的做法是用 Embedding 层 把它们映射成稠密向量。比如：
user_input = tf.keras.Input(shape=(1,), name='user_id')
item_input = tf.keras.Input(shape=(1,), name='item_id')
user_embedding = tf.keras.layers.Embedding(input_dim=10000, output_dim=32)(user_input)
item_embedding = tf.keras.layers.Embedding(input_dim=5000, output_dim=32)(item_input)
# 合并特征
merged = tf.keras.layers.concatenate([user_embedding, item_embedding])
flattened = tf.keras.layers.Flatten()(merged)
dense = tf.keras.layers.Dense(64, activation='relu')(flattened)
output = tf.keras.layers.Dense(1, activation='sigmoid')(dense)
model = tf.keras.Model(inputs=[user_input, item_input], outputs=output)
这里 input_dim 是 ID 的最大值+1，output_dim 是嵌入维度（可以调参）。这样模型就能学到“用户A喜欢科技类商品”、“商品B常被年轻人点击”这类隐含信息。
调完之后，准确率一下飙到 0.85！那一刻我真的想发朋友圈炫耀，但想到明天还要改 bug，默默关掉了编辑框。
训练与调优：别信默认参数
很多人以为 model.fit() 一行搞定，其实坑多得很。比如：
- 学习率太大：loss 震荡不收敛
- batch_size 太小：训练慢，梯度噪声大
- 没做数据归一化：某些特征主导训练
我们用的数据集有 100 万条记录，我一开始 batch_size 设成 32，训了半小时才跑完一个 epoch。后来改成 1024，速度提升 5 倍，效果几乎没变。
另外，早停（Early Stopping） 很重要。不然容易过拟合。比如：
callbacks = [
tf.keras.callbacks.EarlyStopping(patience=3, restore_best_weights=True)
]
model.fit(x_train, y_train,
validation_data=(x_val, y_val),
epochs=50,
batch_size=1024,
callbacks=callbacks)
patience=3 表示验证集 loss 连续 3 轮不下降就停止，还能自动回滚到最佳权重。这招救了我好几次——有次半夜跑模型，第二天一看 overfitting 严重，差点被测试怼死。
算法选择：别盲目追 SOTA
网上总吹什么 Transformer、BERT，但对我们这种小场景，一个简单的 MLP 或 Wide & Deep 模型就够了。我对比过几种算法在点击预测上的表现：
| 模型类型 | 准确率 | 训练时间（分钟） | 部署复杂度 |
|---|---|---|---|
| 逻辑回归 | 0.72 | 2 | 低 |
| MLP (3层) | 0.85 | 15 | 中 |
| Wide & Deep | 0.87 | 25 | 高 |
| DeepFM | 0.88 | 40 | 高 |
最后选了 MLP，因为够用、快、好维护。毕竟我们不是 Google，不需要为 1% 的提升增加十倍运维成本。这点我们组长说得特别实在：“线上稳定比 paper accuracy 重要一百倍。”
关于 JavaScript 和区块链的“强行联动”
我知道标题里提到了这两个词，但实话实说——在 TensorFlow 2.0 的实际业务中，它们基本没戏。
- JavaScript：除非你用 TF.js 做前端推理，否则后端训练全靠 Python。我们倒是想过把模型转成 ONNX 再用 Node.js 调，但性能不如直接 Flask API。
- 区块链：我真见过有人提议“把模型训练记录上链，保证可追溯”。结果被架构师一句“你算过 gas fee 吗？”直接劝退。目前 AI + 区块链 99% 是炒作，剩下 1% 是学术玩具。
所以别被 hype 带偏，解决问题才是王道。
写在最后
从一个连“张量”是啥都不知道的大专生，到现在能独立搞个小模型上线，中间踩的坑只有自己知道。有时候凌晨三点看着 loss 曲线终于下降，那种成就感，比打十把王者都爽。
如果你和我一样，学历普通、基础一般，但愿意熬夜、肯查文档、敢试错——AI 没那么遥不可及。TensorFlow 2.0 的设计哲学就是“让机器学习更简单”，而我们要做的，就是别被术语吓倒，动手跑起来。
对了，上周那个推荐功能已经上线了，点击率提升了 12%。产品经理请我喝了杯瑞幸，说“下次还有这种需求还找你”。我表面微笑，内心 OS：求你了，让我回去写 React 吧……
（完）
评论 0