晓查发自凹非寺 

　　量子位报道公众号 QbitAI

　　最近，一位从事 NLP 工程师 Gupta 发现了 TensorFlow 存在的一个严重 bug：

　　每个在自定义层中使用 Keras 函数式 API 的用户都要注意了！使用用 Keras 的 Functional API 创建的权重，可能会丢失。

　　这一话题在 Reddit 机器学习板块上被热议，引起不少 TensorFlow 用户共鸣。

　　具体来说，就是在 API 中使用自定义层，会导致 trainable_variables 中的权重无法更新。而且这些权重也不会放入 non_trainable_variables 中。

　　也就是说，原本需要训练的权重现在被冻结了。

　　让这位工程师感到不满的是，他大约一个月前在 GitHub 中把这个 bug 报告给谷歌，结果谷歌官方到现在还没有修复。

　　解决办法

　　如何检验自己的代码是否会出现类似问题呢？请调用 model.trainable_variables 来检测自己的模型：

for i, var in enumerate (model.trainable_variables):
    print (model.trainable_variables[i].name)

　　看看你所有的可变权重是否正确，如果权重缺失或者未发生变化，说明你也中招了。

　　Gupta 还自己用 Transformer 库创建模型的 bug 在 Colab 笔记本中复现了，有兴趣的读者可以前去观看。

　　https://colab.research.google.com/gist/Santosh-Gupta/40c54e5b76e3f522fa78da6a248b6826/missingtrainablevarsinference_var.ipynb

　　对此问题，Gupta 给出的一种解决方法是：改为使用 Keras 子类创建模型。改用此方法后，所有的权重都将出现在 trainable_variables 中。

　　为了绝对确保用函数式 API 和子类方法创建的模型完全相同，Gupta 在每个 Colab 笔记本底部使用相同的输入对它们进行了推理，模型的输出完全相同。

　　但是，使用函数式 API 模型进行训练会将许多权重视为冻结，而且这些权重也没有出现在 non_trainable_variables 中，因此无法为这些权重解冻。

　　为了检查谷歌最近是否修复了该漏洞，Gupta 还安装了 Nightly 版的 TF 2.3.0-rc1，保持框架处于最新状态，但如今 bug 依然存在。

　　网友：还是用 PyTorch 吧

　　刚刚，Keras 创始人在 Twitter 上回复，这不是 Keras 的 bug，并建议程序员使用单元测试。

　　对于 Gupta 所说的 bug，有网友说，他在 TensorFlow 和 Keras 之间传递权重的时候，出现了类似的错误，从此转而使用 PyTorch。

　　另外还有不少网友也反映，谷歌的框架不太完善，管理方式一团糟，是在让用户帮他们测试 TensorFlow 的 bug。

　　反观 PyTorch，说明文档通俗易懂，最近官方还出了免费电子书，难道用 PyTorch 不香吗？

　　你现在在使用哪种深度学习框架，你也遇到过类似的严重 bug 吗？

　　原帖链接：
https://www.reddit.com/r/MachineLearning/comments/hrawam/d_theres_a_flawbug_in_tensorflow_thats_preventing/