# 人工智能之语言领域

第十九章 深度学习框架

---

> @[TOC](文章目录)

---

# 前言 深度学习框架

深度学习框架是构建自然语言处理（NLP）模型的**基础设施**。目前，**TensorFlow/Keras** 与 **PyTorch** 是两大主流选择，它们在设计理念、开发体验和部署生态上各有千秋。本章将深入对比这两大框架的核心特性，讲解其在 NLP 任务中的典型用法，并通过 **BERT 微调实战** 展示 PyTorch 的完整开发流程，帮助你做出合理的技术选型。

---

## 19.1 TensorFlow 与 Keras

### 19.1.1 核心架构与 NLP 模型搭建流程

**TensorFlow** 由 Google 开发，早期以**静态计算图（Static Graph）** 为核心（TF 1.x），2019 年发布的 **TensorFlow 2.x** 默认启用 **Eager Execution（动态图）**，大幅提升了开发体验。

#### TensorFlow 2.x + Keras 架构

- **Keras**：高层 API，集成于 TF 2.x，提供简洁接口
- **tf.data**：高效数据管道
- **tf.keras.Model**：模型定义基类
- **SavedModel**：统一部署格式

```mermaid
flowchart LR
 Data["原始文本数据"] --> tfdata["tf.data.Dataset (分批/缓存/预取)"]
 tfdata --> Tokenize["Tokenizer (e.g., BERT tokenizer)"]
 Tokenize --> Model["Keras Model (Sequential/Functional/Subclassing)"]
 Model --> Train["model.fit() 自动训练循环"]
 Train --> Save["SavedModel / HDF5"]
```

#### NLP 模型搭建步骤（以文本分类为例）

1. 数据预处理 → `tf.data.Dataset`
2. 文本向量化 → `tf.keras.layers.TextVectorization` 或 Hugging Face Tokenizer
3. 构建模型 → `tf.keras.Sequential`
4. 编译与训练 → `model.compile()`, `model.fit()`

---

### 19.1.2 Keras 高层 API 的快速开发优势

Keras 以“**用户友好、模块化、可扩展**”著称，特别适合快速原型开发。

#### 代码示例：使用 Keras + Transformers 微调 BERT

```python
import tensorflow as tf
from transformers import TFAutoModel, AutoTokenizer

# Step 1: 加载分词器与预训练模型
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")
bert_model = TFAutoModel.from_pretrained("bert-base-chinese")

# Step 2: 构建分类模型（函数式 API）
input_ids = tf.keras.Input(shape=(128,), dtype=tf.int32, name="input_ids")
attention_mask = tf.keras.Input(shape=(128,), dtype=tf.int32, name="attention_mask")

# BERT 编码
outputs = bert_model(input_ids, attention_mask=attention_mask)
cls_output = outputs.last_hidden_state[:, 0, :] # [CLS] 向量

# 分类头
dropout = tf.keras.layers.Dropout(0.1)(cls_output)
logits = tf.keras.layers.Dense(2, activation="softmax")(dropout)

model = tf.keras.Model(inputs=[input_ids, attention_mask], outputs=logits)

# Step 3: 编译与训练
model.compile(
 optimizer=tf.keras.optimizers.Adam(learning_rate=2e-5),
 loss="sparse_categorical_crossentropy",
 metrics=["accuracy"]
)

# 假设已准备 dataset (input_ids, attention_mask, labels)
# model.fit(dataset, epochs=3)
```

> ✅ **Keras 优势**：
> 
> - 代码简洁，接近伪代码
> - 内置回调（EarlyStopping, ModelCheckpoint）
> - 无缝集成 TensorBoard 可视化

> ❌ **局限**：
> 
> - 动态控制流支持弱于 PyTorch
> - 社区研究代码多基于 PyTorch

---

## 19.2 PyTorch

### 19.2.1 动态图机制与 NLP 序列建模适配

**PyTorch** 由 Facebook（现 Meta）开发，**原生采用动态计算图（Dynamic Computation Graph）**，即“**Define-by-Run**”：

- 每次前向传播都构建新计算图
- 支持任意 Python 控制流（if/for/while）
- 调试如同普通 Python 程序（可打断点、print）

这对 **NLP 序列建模**（如 RNN、自定义注意力）极为友好。

#### 动态图 vs 静态图

| 特性 | PyTorch（动态图） | TensorFlow 1.x（静态图） |
|------|------------------|------------------------|
| **开发体验** | 直观、易调试 | 需先定义图，再执行 |
| **控制流** | 原生支持 | 需用 tf.cond/tf.while_loop |
| **灵活性** | 高（适合研究） | 低 |

> 💡 **通俗比喻**：
> 
> - PyTorch 像“现场演奏”：边写谱子边演奏
> - TF 1.x 像“录音棚”：先写完整乐谱，再录制

---

### 19.2.2 PyTorch Lightning：轻量化训练框架

**PyTorch Lightning** 是 PyTorch 的**轻量级封装**，将训练逻辑解耦为清晰模块，避免样板代码。

#### 核心思想

- **Trainer**：负责训练循环、GPU/TPU、日志等工程细节
- **LightningModule**：专注模型定义、损失、优化器

```mermaid
flowchart TB
 LightningModule["LightningModule - init - training_step - configure_optimizers"] --> Trainer["Trainer - fit() - 自动处理: • GPU分配 • 梯度累积 • 日志记录"]
```

#### 代码结构对比

| 原生 PyTorch | PyTorch Lightning |
|-------------|------------------|
| 手写 for epoch, for batch | `trainer.fit(model)` |
| 手动 `.to(device)` | 自动分配设备 |
| 手动梯度清零/反向/更新 | 自动处理 |

---

## 19.3 框架选型与项目实战

### 19.3.1 不同场景下的框架选择依据

| 场景 | 推荐框架 | 理由 |
|------|--------|------|
| **学术研究 / 快速实验** | PyTorch | 动态图灵活，社区论文复现多 |
| **工业部署 / 移动端** | TensorFlow | TFLite、TF.js 生态成熟 |
| **大模型微调** | PyTorch + Hugging Face | 社区支持最好（PEFT/Accelerate） |
| **Kaggle / 快速原型** | Keras (TF) | 代码简洁，内置功能全 |
| **生产服务（高吞吐）** | TensorFlow Serving / TorchServe | 两者均支持，TF 更早普及 |

> 📊 **2024 年趋势**：
> 
> - **研究领域**：PyTorch 占据绝对主导（>90% 论文）
> - **工业部署**：两者并存，PyTorch 通过 TorchScript/TorchServe 追赶

---

### 19.3.2 基于 PyTorch 的 BERT 模型微调实战

我们将使用 **PyTorch + Hugging Face Transformers + PyTorch Lightning** 完成中文文本分类任务。

#### 完整代码实现

```python
# Step 1: 安装依赖
# pip install torch transformers pytorch-lightning datasets

import torch
from torch.utils.data import DataLoader
from transformers import BertTokenizer, BertForSequenceClassification
import pytorch_lightning as pl
from datasets import load_dataset

# Step 2: 定义 LightningModule
class BertClassifier(pl.LightningModule):
 def __init__(self, model_name="bert-base-chinese", num_labels=2, lr=2e-5):
 super().__init__()
 self.save_hyperparameters()
 self.model = BertForSequenceClassification.from_pretrained(
 model_name, num_labels=num_labels
 )
 self.lr = lr

 def forward(self, input_ids, attention_mask, labels=None):
 outputs = self.model(
 input_ids=input_ids,
 attention_mask=attention_mask,
 labels=labels
 )
 return outputs

 def training_step(self, batch, batch_idx):
 outputs = self(**batch)
 loss = outputs.loss
 self.log("train_loss", loss, prog_bar=True)
 return loss

 def validation_step(self, batch, batch_idx):
 outputs = self(**batch)
 loss = outputs.loss
 preds = torch.argmax(outputs.logits, dim=1)
 acc = (preds == batch["labels"]).float().mean()
 self.log("val_loss", loss, prog_bar=True)
 self.log("val_acc", acc, prog_bar=True)

 def configure_optimizers(self):
 return torch.optim.AdamW(self.parameters(), lr=self.lr)

# Step 3: 数据准备
class TextDataModule(pl.LightningDataModule):
 def __init__(self, model_name="bert-base-chinese", batch_size=16, max_length=128):
 super().__init__()
 self.tokenizer = BertTokenizer.from_pretrained(model_name)
 self.batch_size = batch_size
 self.max_length = max_length

 def setup(self, stage=None):
 # 加载数据集（以 IMDb 中文版为例）
 dataset = load_dataset("imdb") # 实际中替换为中文数据集
 self.train_data = dataset["train"].shuffle(seed=42).select(range(1000))
 self.val_data = dataset["test"].shuffle(seed=42).select(range(200))

 def tokenize(self, examples):
 return self.tokenizer(
 examples["text"],
 truncation=True,
 padding="max_length",
 max_length=self.max_length
 )

 def train_dataloader(self):
 ds = self.train_data.map(self.tokenize, batched=True)
 ds.set_format(type="torch", columns=["input_ids", "attention_mask", "label"])
 return DataLoader(ds, batch_size=self.batch_size, shuffle=True)

 def val_dataloader(self):
 ds = self.val_data.map(self.tokenize, batched=True)
 ds.set_format(type="torch", columns=["input_ids", "attention_mask", "label"])
 return DataLoader(ds, batch_size=self.batch_size)

# Step 4: 训练
if __name__ == "__main__":
 # 初始化数据模块与模型
 datamodule = TextDataModule()
 model = BertClassifier()

 # 初始化 Trainer
 trainer = pl.Trainer(
 max_epochs=3,
 accelerator="auto", # 自动选择 CPU/GPU/TPU
 devices="auto",
 log_every_n_steps=10,
 callbacks=[
 pl.callbacks.EarlyStopping(monitor="val_loss", patience=2),
 pl.callbacks.ModelCheckpoint(monitor="val_acc", mode="max")
 ]
 )

 # 开始训练
 trainer.fit(model, datamodule)
```

#### 关键优势解析

1. **自动设备管理**：`accelerator="auto"` 自动使用 GPU
2. **无需手动训练循环**：`trainer.fit()` 封装所有细节
3. **内置回调**：早停、模型保存、日志记录
4. **与 Hugging Face 无缝集成**：直接加载 `BertForSequenceClassification`

---

## 框架互操作性

- **ONNX（Open Neural Network Exchange）**：可在 TF 与 PyTorch 间转换模型
 ```python
 # PyTorch 导出 ONNX
 torch.onnx.export(model, dummy_input, "model.onnx")
 ```
- **Hugging Face Transformers**：同时支持 TF 与 PyTorch 模型（`TFAutoModel` / `AutoModel`）

---

## 小结

- **TensorFlow/Keras**：适合工业部署、快速原型，静态图优化成熟
- **PyTorch**：研究首选，动态图灵活，生态活跃（尤其大模型）
- **PyTorch Lightning**：大幅提升 PyTorch 工程化能力，减少样板代码

在实际项目中，**研究阶段用 PyTorch，部署阶段按需转 TF 或使用 TorchServe** 是常见策略。掌握两大框架的核心思想，能让你在 NLP 开发中游刃有余。


---

# 资料

咚咚王

《Python 编程：从入门到实践》
《利用 Python 进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第 3 版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow 机器学习实战指南》
《Sklearn 与 TensorFlow 机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python 深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习 +(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论 第 2 版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨 +&+ 张孜铭
《AIGC 原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战 AI 大模型》
《AI 3.0》

深度学习框架是构建自然语言处理（NLP）模型的基础设施。目前，TensorFlow/Keras 与 PyTorch 是两大主流选择，它们在设计理念、开发体验和部署生态上各有千秋。本章将深入对比这两大框架的核心特性，讲解其在 NLP 任务中的典型用法，并通过 BERT 微调实战 展示 PyTorch 的完整开发流程，帮助你做出合理的技术选型。

人工智能之语言领域 自然语言处理 第十九章 深度学习框架

技术岗

人工智能

编程语言

开发工具

深度学习框架是NLP模型开发的核心工具，TensorFlow/Keras和PyTorch是两大主流选择。TensorFlow2.x+Keras适合快速原型开发和工业部署，PyTorch则凭借动态图机制成为研究首选。本文详细对比了两大框架特性，并通过BERT微调实战展示PyTorch完整开发流程，帮助开发者做出合理技术选型。

自然语言处理

深度学习框架

计算机视觉

数据预处理

深度学习

机器学习

数据管道

智能创作

原型开发

大数据

Python

4核4G3M云服务器 新用户低至38元/年！

2026新春采购季

bigdata-class

ai-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

深度学习框架是NLP模型开发的核心工具，TensorFlow/Keras和PyTorch是两大主流选择。TensorFlow2.x+Keras适合快速原型开发和工业部署，PyTorch则凭借动态图机制成为研究首选。本文详细对比了两大框架特性，并通过BERT微调实战展示PyTorch完整开发流程，帮助开发者做出合理技术选...

人工智能之语言领域 自然语言处理 第十九章 深度学习框架-腾讯云开发者社区-腾讯云

人工智能之语言领域自然语言处理第十九章深度学习框架

人工智能之语言领域自然语言处理第十九章深度学习框架

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之语言领域 自然语言处理 第十九章 深度学习框架

人工智能之语言领域 自然语言处理 第十九章 深度学习框架

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之语言领域自然语言处理第十九章深度学习框架

人工智能之语言领域自然语言处理第十九章深度学习框架