框架与挑选实作的阶段 | ML#Day17

以下是我自己这一路学习ML过程中，整理出来的ML研究与实作，使用的演进脉络，纯属个人观感，并未有任何理论说明是这样区分。

因为网路上的资料实在太多，这个领域的知识和做法又在快速地进展，然而看太新的资料在没有基础的知识支撑之下，除了看不懂根基也不扎实，看太旧太基础的资料又晦涩难懂，实务上好像得要花上几年摸索才能商业化，到底怎麽有效率的学习这门学科并应用，实在是莫大的痛点。

1. 纯手工土炮做法

了解了ML训练模型，其实本自於数学运算，那麽就可以开始写程序了，数学函式，譬如说梯度下降法会用到的微分，偏微分，启动函式等等，其实可以用程序的方式写出，网路上也不少参考资料。

搭配读取进来的资料，整理成适当的资料格式後，传入数学运算的训练函式，执行後就可以拿到结果。

以上好比只用基础语法if/else、for回圈、switch等等，很辛苦的手刻各种东西，但相对若能手刻做一次，一定令人体验深刻。

有些固定的数学运算方式写成library是不是方便许多了？大家也可以不用重复造轮子，python的许多套件便是为了这样产生，甚至是为了数学运算的效率而生，例如numpy套件，专门为了矩阵运算效率成为广泛使用的套件之一。

这些套件并不是像我们写golang那样，也许只是外面多包一点，参入一些自己需要的功能，反而是为了需求或运算效率而产生。

以上好比有了function、class、package的概念，世代又更进一步的演进。

如果想要更懒呢？就是衍生出框架的概念。

譬如说使用 sklearn.LinearRegression() ，就直接让框架帮我们执行回归模型的运算，需要细部的调教再另外设定参数。

以下列出三个比较常见的ML/DL框架，有兴趣可以参阅更详细的资料。

那麽选什麽框架，怎麽样调教才能获得最好的模型，或得到相对清楚的训练报告呢？

如果愿意花一点预算，Google Vertex AI功能可以提供这样的服务，花费的金额就我们来看，相对比请几个工程师便宜多了，当然需要比较客制化或使用进阶的功能，有能力的人才依然不可或缺。