TensorFlow 访谈题

下面列出了一些最常问到的 TensorFlow 访谈题和答案。

1) 什么是 TensorFlow？

TensorFlow 是一个基于 Python 的库，用于创建机器学习应用程序。它是一个用于执行复杂数学运算的低级工具包。它为用户提供了自定义选项来构建实验性学习架构。它还帮助用户使用这些架构，并将它们转化为可运行的软件。它最初由 Google Brain Team 的研究人员和工程师创建，并于 2015 年开源。

TensorFlow 由两个词组成：Tensor 和 Flow；Tensor 被称为多维数组的数据表示，Flow 意味着在 Tensor 上执行的一系列操作。

2) 你对 Tensors（张量）有什么了解？

Tensor（张量）是计算机编程中使用的 n 维数组的向量或矩阵的泛化。它以数字的形式表示大量数据。互联网上有少数其他 n 维数组库可用，例如 Numpy，但 TensorFlow 在这些库中脱颖而出。它提供了创建张量函数的方法并自动计算导数。

图可以执行 Tensor 中的所有操作。我们可以说节点边缘被称为 Tensor。我们需要一个特征向量作为初始输入来实现在 Tensor 中。模型通过对象列表输入到机器学习中，这些对象称为 特征向量。

我们可以通过下面的图来理解 Tensors。

在这里，箭头代表多维。有一个称为 应力 的 Tensor，它描述了在两个方向上发生的事情。

3) 有多少种类型的 Tensors？

有三种类型的 Tensors 用于创建神经网络模型：

• 常量 Tensor (Constant Tensor)
  顾名思义，常量 Tensor 用作常量。它们创建一个不改变其值的节点。可以使用 tf.constant 创建常量。
  tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
  它接受五个参数。
• 变量 Tensor (Variable Tensor)
  变量 Tensor 是提供其当前值作为输出的节点。这意味着它们可以在图的多次执行中保留其值。
• 占位符 Tensor (Place Holder Tensor)
  占位符 Tensor 比变量更重要。它们用于在稍后时间分配数据。占位符是在执行时输入其值的节点。假设我们的网络输入依赖于某些外部数据。此外，在开发图时我们不希望我们的图依赖于任何实际值，那么占位符就是有用的数据类型。我们甚至可以在没有任何数据的情况下构建图。
  因此，占位符不需要任何初始值。它们只需要一个数据类型（如 float32）和一个张量形状，这样即使没有存储值，图也知道如何进行计算。

4) 解释 TensorBoard？

TensorBoard 是用于检查和理解 TensorFlow 运行和图的可视化工具套件。它是创建者提供的 TensorFlow 的简单解决方案，可以让我们可视化图。它以图的量化指标以及诸如图像通过图的额外数据进行绘制。TensorBoard 目前支持五种可视化技术，如 标量、图像、音频、直方图 和 图。它提高了图的准确性和流程。

5) TensorFlow 的主要特点是什么？

Tensorflow 支持多种语言的 API，例如 Matlab 和 C++。研究人员一直在努力使其变得更好。还推出了一款名为 tensorflow.js 的 JavaScript 库，用于训练和部署机器学习模型。

6) TensorFlow 的优点是什么？

TensorFlow 的一些主要优点如下：

• 它可以轻松地在 CPU 和 GPU 上进行训练，用于分布式计算。
• 它具有自动微分功能。
• 它具有平台灵活性。
• 它易于定制且开源。
• 它对线程、异步计算和队列提供了高级支持。

7) 列出 TensorFlow 的一些局限性。

TensorFlow 存在一些局限性，如本文所述：

• 它不支持 OpenCL（开放计算语言）。
• 它需要对高等微积分和线性代数有先期了解，以及对机器学习有相当好的理解。
• 如果与 Theano 在同一作用域中导入，它可能会导致 GPU 内存冲突。

8) TensorFlow 支持哪些客户端语言？

TensorFlow 支持多种客户端语言，其中最好的之一是 Python。还有一些实验性接口可用于 C++、Java 和 Go。开源社区创建并支持许多其他语言的语言绑定，如 C#、Julia、Ruby 和 Scala。

9) TensorFlow 架构的三个工作组成部分是什么？

TensorFlow 架构分三个部分工作：

• 预处理数据
• 构建模型
• 训练和评估模型

10) 解释将数据加载到 TensorFlow 中的一些选项。

将数据加载到 TensorFlow 中是在训练机器学习算法之前的第一个步骤。有两种方法可以加载数据：

• 内存中加载数据
  这是最简单的方法。所有数据都作为单个数组加载到内存中。可以编写与 TensorFlow 无关的 Python 代码。
• Tensorflow 数据管道
  TensorFlow 内置了 API，有助于轻松加载数据、执行操作并为机器学习算法提供输入。当数据集很大时，通常使用此方法。

11) 描述大多数 TensorFlow 算法的通用步骤？

• 导入数据、生成数据或通过占位符设置数据管道。
• 通过计算图输入数据。
• 在损失函数上评估输出。
• 使用反向传播修改变量。
• 重复直到满足停止条件。

12) 提到一些在 TensorFlow 中处理过拟合的方法。

• Dropout 技术
• 正则化
• Batch Normalization

13) 你对 TensorFlow Managers 有什么了解？

TensorFlow managers 负责通过其加载器加载、卸载、查找和管理所有可服务对象的生命周期。TensorFlow Managers 控制可服务对象的完整生命周期，包括：

• 加载可服务对象
• 提供可服务对象
• 卸载可服务对象

这是一个抽象 类。其语法 是：

14) 什么是 TensorFlow Servables？同时解释 TensorFlow Serving。

客户端使用一些对象来执行计算，这些对象称为 Servables。Servable 的大小是灵活的。单个 Servable 可能包含从查找表到单个模型再到推理模型元组的任何内容。这些 Servables 是 TensorFlow Serving 中最基本的单元。

TensorFlow Serving 专为生产环境而设计。它是一个灵活、高性能的服务系统，用于机器学习模型。TensorFlow Serving 可以轻松部署新算法和实验，同时保持相同的服务器架构和 API。TensorFlow Serving 提供与 TensorFlow 模型开箱即用的集成。如有需要，还可以轻松扩展以服务其他类型模型和数据。

15) TensorFlow 的用例是什么？

Tensorflow 是深度学习的重要工具。它主要有五个用例，它们是：

• 基于文本的应用程序
• 语音/声音识别
• 时间序列
• 图像识别
• 视频检测

16) 你可以在哪里运行 TensorFlow？

TensorFlow 可以在不同平台上运行：

• 操作系统，如 Windows、OS 和 Linux
• 云网络服务
• 移动操作系统，如 iOS 和 Android

17) 何时会在 TensorFlow 中发现模型的过拟合情况？

训练数据存在变化，并且需要通过 TensorFlow 对这些数据进行验证。如果数据中的变化很大，很可能会出现过拟合。最好的解决方案是尽可能多地从可用数据中去除噪声。

18) TensorFlow 的加载器是什么？

可以实现加载器来加载、卸载和访问新型的可服务机器学习模型。这些加载器用于在后端添加算法和数据。load() 函数用于从保存的模型中加载模型。

19) 列出一些使用 TensorFlow 构建的产品。

有一些使用 TensorFlow 构建的产品：

• Nsynth
• Giorgio Cam
• 手写识别
• Teachable Machine

20) TensorFlow 中的源是什么？

源是标识和提供可服务对象的模块类型。每个源提供零个或多个可服务流。为每个可服务版本提供单个加载器，使其可访问以便加载。

21) TensorFlow 相对于其他库有哪些优势？解释。

TensorFlow 相对于其他库有很多优势，如下所示：

• 可扩展性
  TensorFlow 可轻松扩展机器学习应用程序和基础设施。
• 数据可视化
  在 TensorFlow 中可视化图非常直接。TensorBoard（一套可视化工具）用于可视化 TensorFlow 图。
• 调试功能
  tfdbg 是 TensorFlow 的专用调试器。它允许我们在训练和推理期间查看正在运行的 TensorFlow 图的内部结构和状态。
• 流水线
  TensorFlow 的 Dataset 模块 tf.data 用于为图像和文本构建高效的管道。

22) 你对 Deep Speech 有什么了解？

DeepSpeech 是一个开源引擎，用于将语音转换为文本。它使用通过机器学习技术训练的模型。它基于百度的 Deep Speech 研究论文。它使用 Google 的 TensorFlow 使实现更加容易。

我们可以通过 deep Speech 列出命令行选项，其语法如下：

23) 你对 TensorFlow 抽象有什么了解？

TensorFlow 包含 TF-Slim 和 Keras 等抽象库，它们提供了简化的高级 TensorFlow 访问。这些抽象有助于简化数据流图的构建。

TensorFlow 抽象不仅有助于使代码更清晰，而且还能大大减少代码长度。因此，它显著缩短了开发时间。

24) TensorFlow 如何使用 Python API？

Python 是 TensorFlow 及其开发的主要语言。它是 TensorFlow 支持的第一个也是最容易识别的语言，并且仍然支持大部分功能。看起来 TensorFlow 的功能最初是在 Python 中定义的，后来才移到 C++。

25) TensorFlow 项目内部使用的 API 有哪些？

TensorFlow 中的大多数 API 都基于 Python 语言。它们为用户提供了低级选项，例如用于构建神经网络架构的 tf.manual 或 tf.nn.relu。这些 API 还用于设计具有更高抽象级别的深度神经网络。

26) TensorFlow 项目外部使用的 API 有哪些？

TensorFlow 项目外部使用了一些 API，它们是：

• TFLearn
  TFLearn 提供了一个高级 API，可以快速轻松地构建和训练神经网络。此 API 与 Tensorflow 完全兼容。其 API 可以指示为 tf.contrib.learn。
• TensorLayer
  TensorLayer 是一个基于 TensorFlow 的深度学习和强化学习库。它专为研究人员和工程师设计。它提供了大量可定制的神经网络层/函数，这些是构建实际 AI 应用程序的关键。
• PrettyTensor
  Pretty Tensor 为 TensorFlow 提供了一个高级构建器 API。它提供了张量的薄包装，以便您可以轻松构建多层神经网络。
  Pretty Tensor 提供了一组类似于 Tensor 的对象。它还支持链式对象语法，用于在 TensorFlow 中快速定义神经网络和其他分层架构。
• Sonnet
  Sonnet 是一个建立在 TensorFlow 之上的库，用于创建复杂的神经网络。它是 Google DeepMind 项目的一部分，该项目具有模块化方法。

27) 如何从 Python 对象创建 Tensor？

我们可以使用 Python 对象创建像 numpy 数组和列表这样的 Tensor。我们可以使用 tf.convert_to_tensor() 操作轻松实现。

28) TensorFlow 中的变量是什么？

TensorFlow 中的变量也称为 Tensor 对象。这些对象保存可在程序执行期间修改的值。

TensorFlow 变量是用于表示程序操作的共享、持久状态的最佳方式。

29) 变量的生命周期是多久？

当我们第一次在会话中运行该变量的 tf.Variable.initializer 操作时，就会创建一个变量。当处理 tf.Session.close 时，它会被销毁。

30) 区分 tf.variable 和 tf.placeholder。

tf.variable 和 tf.placeholder 都几乎相似，但存在一些差异，如下所示：

31) 什么是标量仪表板 (Scalar Dashboard)？

标量仪表板可视化随时间变化的标量统计信息。它使用简单的 API 来执行此类可视化。例如，我们可能想检查模型的损失或学习率。

我们可以比较多次运行，数据由标签建立。

32) 什么是直方图仪表板 (Histogram Dashboard)？

直方图仪表板用于显示 Tensor 的统计分布随时间如何变化。它有助于可视化通过 tf.summary.histogram 记录的数据。每个图显示数据的时序“切片”，其中每个切片是给定步骤下 Tensor 的直方图。它按时间顺序排列，最旧的时间步在后面，最新的时间步在前面。

如果直方图模式从“偏移”(offset) 更改为“叠加”(overlay)，视角将旋转。因此，每个直方图切片都呈现为一条线，并相互叠加。

33) 你对 TensorFlow 中的分布仪表板 (Distribution Dashboard) 有什么了解？

分布仪表板是另一种用于可视化 tf.summary.histogram 中的直方图数据的方法。它显示了分布的一些高级统计信息。图中的每条线代表了数据分布中的一个百分位数。例如，最底部的线显示最小值随时间如何变化，中间的线显示中位数如何变化。从上到下读取，这些线具有以下含义：[最大值、93%、84%、69%、50%、31%、16%、7%、最小值]。

34) TensorBoard 中的图像仪表板 (Image Dashboard) 是什么？

图像仪表板用于显示通过 tf.summary.image 保存的 png 文件。仪表板的配置方式使得每一行对应不同的标签，每一列对应一次运行。图像仪表板还支持任意 png 文件，可用于将自定义可视化（例如 matplotlib 散点图）嵌入 TensorBoard。此仪表板始终显示每个标签的最新图像。

35) 你对音频仪表板 (Audio Dashboard) 有什么了解？

音频仪表板用于嵌入可播放的音频小部件，以播放通过 tf.summary.audio 保存的音频。仪表板的配置方式使得每一行对应不同的标签，每一列对应一次运行。音频仪表板始终嵌入每个标签的最新音频。

36) 描述 TensorFlow 中的图浏览器 (Graph Explorer)？

在可视化 TensorBoard 图时可以使用图浏览器。它还负责检查 TensorFlow 模型。为了最好地使用图可视化工具，应该使用名称作用域 (name scopes) 来分层地对图中的操作进行分组。否则，图可能难以理解。

37) 什么是 Embedding Projector？

Embedding Projector 允许可视化高维数据。例如，您可以查看输入数据在模型嵌入到高维空间后的情况。Embedding Projector 从模型检查点文件读取数据。它可以配置其他元数据，例如 词汇文件 或 精灵图像。

38) 你对文本仪表板 (Text Dashboard) 有什么了解？

文本仪表板用于显示通过 tf.summary.text 保存的文本片段。还支持其他功能，例如 超链接、列表 和 表格。

39) 我可以在没有 TensorFlow 的情况下运行 TensorBoard 吗？

如果您没有安装 TensorFlow，则可以运行 TensorBoard 1.14+，但功能会受到限制。主要限制是，从 TensorFlow 1.14 开始，仅支持以下插件：标量、自定义标量、图像、音频、图、投影仪（部分）、分布、直方图、文本、PR 曲线、网格。此外，不支持 Google Cloud Storage 上的日志目录。

40) TensorFlow 中有哪些不同的仪表板？

TensorBoard 中有不同类型的仪表板，它们在 TensorBoard 中执行各种任务：

• 标量仪表板
• 直方图仪表板
• 分布仪表板
• 图像仪表板
• 音频仪表板
• 图浏览器
• 投影仪
• 文本仪表板

41) TensorFlow 中的主要操作是什么？

TensorFlow 中的主要操作定义为传递值并将输出分配给另一个 Tensor。

42) 在基于 TensorFlow 的机器学习中，您更看重模型的性能还是准确性？

这通常取决于整体性能。性能和准确性同等重要，尽管在大多数模型中准确性更突出。

43) TensorFlow 可以部署在容器软件中吗？

TensorFlow 可以与 Docker 等容器化工具一起使用。这有助于部署一个用于文本分类的、使用字符级 ConvNet 网络的情感分析模型。

44) 某人如何报告 TensorFlow 中的漏洞？

可以通过直接向 [email protected] 报告任何安全问题。发送到此电子邮件的报告会发送到 TensorFlow 的安全团队。通常在 24 小时内回复邮件，并在一周内提供详细答复以及后续步骤。

45) 用于在 TensorFlow 中部署精简模型文件 (lite model file) 的组件有哪些？

• Java API
  Java API 是 Android 上 C++ API 的封装。
• C++ API
  C++ API 加载 TensorFlow Lite 模型并调用解释器。
• 解释器
  解释器可用于执行模型。它使用特定的内核加载，这是 TensorFlow Lite 的一个独特功能。

46) TensorFlow 和 PyTorch 有什么区别？

47) TensorFlow 中可以使用词嵌入吗？请说出用于词嵌入的两个模型。

词嵌入在自然语言处理中用作词的表示，并且可以在 TensorFlow 中使用，它也被称为 Word2vec。

词嵌入使用的两个模型是：连续词袋模型 (continuous bag of words model) 和跳字模型 (skip-gram model)。

48) 你对 TensorFlow Estimators 有什么了解？

Estimators 是一个高级 API，它大大减少了您以前编写训练 TensorFlow 模型所需的代码量。Estimators 非常灵活，它允许在有特定模型需求时覆盖默认行为。

有两种可能的方法可以使用 Estimators 构建模型：

• 预制 Estimator (Pre-made Estimator)
  这些是预定义的 Estimator。它们用于生成特定类型的模型，例如 DNNClassifier，这是一个预制 Estimator。
• Estimator (基类)
  它通过使用 model_fn 函数提供了如何创建模型的完全控制。
  这些函数由 tf.estimator.Estimator 类使用。这些函数返回一个初始化的 Estimator，我们可以在其上调用 .train、.eval 和 .predict。
  Estimator 的示意图如下：

49) TensorFlow 提供了一些什么样的统计分布函数？

TensorFlow 提供了各种各样的统计分布，位于：

它包含 Beta、Bernoulli、Chi2、Dirichlet、Gamma、Uniform 等分布。这些是构建机器学习算法（特别是用于贝叶斯模型等概率方法）的重要构建块。

50) Tensor.eval() 和 Session.run() 之间有什么区别？

在 TensorFlow 中，我们创建图并为该图提供值。图本身负责所有繁重的工作，并根据我们在图中应用的配置生成输出。现在，当我们为图提供值时，首先需要创建一个 TensorFlow 会话。

一旦会话初始化，我们就应该使用该会话。这是必需的，因为所有变量和设置现在都是会话的一部分。

所以，有两种可能的方法可以将外部值传递给图，以便图能够接受它们。

• 第一种是在使用会话并执行时调用 .run()。
• 另一种方法是使用 .eval()。.eval() 的完整语法是：

在 values.eval() 的位置，我们可以放 tf.get_default_session().run(values)，它将提供相同的行为。这里，eval 使用默认会话然后执行 run()。