栗子 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
同學，你用過的那些機器學習工具/庫，有沒有什么讓你 絕望的地方？
不是我要問，是一個叫做@Train_Smart的網友，在Reddit論壇開帖發問了：
提問的同時，少年還舉出自己的經歷，拋了個磚：
Pandas里的稀疏矩陣 (sparse matrices) ，到 scikit-learn里就不支持了。我弄了好幾個小時才發現，sklearn會把稀疏矩陣inflate起來 (30Mb>>20Gb) ，還完全沒有提示。
Pandas里的稀疏矩陣 (sparse matrices) ，到 scikit-learn里就不支持了。我弄了好幾個小時才發現，sklearn會把稀疏矩陣inflate起來 (30Mb>>20Gb) ，還完全沒有提示。
很快，直擊靈魂的問題引發了強烈的共鳴，樓下的小伙伴們紛紛說起自己的傷痛。16小時便有130條回復，Reddit熱度達到200點。
吐槽大會
槽點有不少，最先受到強烈轟炸的就是：
統計學功能太匱乏
名叫@timmaeus的網友說：
我是從統計學轉到機器學習來的，常常很吃驚，因為Python庫輸出的并不是我期待/我需要的那些指標：比如回歸模型，就不會輸出 系數、 p值、 置信區間這些東西。
我是從統計學轉到機器學習來的，常常很吃驚，因為Python庫輸出的并不是我期待/我需要的那些指標：比如回歸模型，就不會輸出 系數、 p值、 置信區間這些東西。
樓下有人 (@AuspiciousApple) 提供了一個解釋：
這可能和思維方式有關系，就好像statsmodels也不會有切分數據集 (train_test_split) 這種功能一樣。確實很煩，我主要用sklearn，還得把statsmodels召喚出來，就為了那些最基本的統計學信息。
這可能和思維方式有關系，就好像statsmodels也不會有切分數據集 (train_test_split) 這種功能一樣。確實很煩，我主要用sklearn，還得把statsmodels召喚出來，就為了那些最基本的統計學信息。
眾人群起而附議，場面十分壯觀：
開心，在sklearn和statsmodels之間跳來跳去的，不是我一個人。(@luhem007)
我從R過來的，也感覺在Python里面搞個回歸表格怎么這么難。(@Bardy_Bard)
我也是先學的R，后來常常想問為什么會設計出numpy/pandas這樣的產品。(@po-handz)
我也是從R來的，發現自己要先創建一波定制的庫，才能高效地用好那些已經有的庫。(@leogodin217)
開心，在sklearn和statsmodels之間跳來跳去的，不是我一個人。(@luhem007)
我從R過來的，也感覺在Python里面搞個回歸表格怎么這么難。(@Bardy_Bard)
我也是先學的R，后來常常想問為什么會設計出numpy/pandas這樣的產品。(@po-handz)
我也是從R來的，發現自己要先創建一波定制的庫，才能高效地用好那些已經有的庫。(@leogodin217)
網友@colonel_farts說：
TensorFlow文檔整體都很讓人崩潰。
TensorFlow文檔整體都很讓人崩潰。
樓下有人 (@jalagl) 幫他擴大了打擊面：
所有文檔都算上吧。我用的是PyTorch，也有很多不夠好的地方 (沒用過TensorFlow，不知道哪個更差) 。
所有文檔都算上吧。我用的是PyTorch，也有很多不夠好的地方 (沒用過TensorFlow，不知道哪個更差) 。
很快就有補刀俠 (@geodesic42) 趕到現場：
PyTorch文檔比TensorFlow還爛。
PyTorch文檔比TensorFlow還爛。
既然都說文檔爛，具體爛在哪？
大體可以總結出三條，第一是 描述不清楚：
有些東西是真的很怪，而且一點也不直觀。比如有的函數，名字本身已經很奇怪，描述還是“it does the thing”一句話的這種。( @swegmesterflex)
有些東西是真的很怪，而且一點也不直觀。比如有的函數，名字本身已經很奇怪，描述還是“it does the thing”一句話的這種。( @swegmesterflex)
隨之，大家開始不斷地補充各種飄逸的描述：
“Applies the function to the input” (@trashacount12345)
“把函數應用在輸入上。”
“Can be called.” (@trashacount12345)
“可以被調用。”
“Applies the function to the input” (@trashacount12345)
“把函數應用在輸入上。”
“Can be called.” (@trashacount12345)
“可以被調用。”
另一個缺點是 不給示例：
我小時候用TurboPascal 7編程，標準庫里面每個函數都有示例，不是只有描述。
為啥PyTorch就不能給每個函數寫個示例？ (@visarga)
我小時候用TurboPascal 7編程，標準庫里面每個函數都有示例，不是只有描述。
為啥PyTorch就不能給每個函數寫個示例？ (@visarga)
還有第三個缺點， 加載慢：
你們不覺得PyTorch文檔加載巨慢么？手機上都看不了，因為加載時間太久了。 (@fckoch)
你們不覺得PyTorch文檔加載巨慢么？手機上都看不了，因為加載時間太久了。 (@fckoch)
所以，軟件公司什么時候才能感受到，不給清晰文檔、不給示例的東西沒法用，繼而開發出既有好文檔又有示例搭配的產品呢？
有人并不抱太大希望 (@inigoskimmer) ：
不會太快吧。今年還有個資深程序員跟我說，他沒注釋代碼，因為代碼很可能會改，加注釋的話可能會誤導別人。
不會太快吧。今年還有個資深程序員跟我說，他沒注釋代碼，因為代碼很可能會改，加注釋的話可能會誤導別人。
寫注釋、寫文檔，原本就是開發者頭疼的活動吧。
也有網友 (@real_kdbanman) 從另一個角度觀察了這個問題：
請記得，所有主流庫都是免費的，開源的！每個人都有責任把它們變好的。文檔Pull Request真的很有幫助。
請記得，所有主流庫都是免費的，開源的！每個人都有責任把它們變好的。文檔Pull Request真的很有幫助。
雖然，最初參與開發的人，對初始文檔的質量負有責任。但如果后來的用戶只在那里干等，也是不能期待文檔自己變好。
機器學習這個領域，一直是背靠著高度開放的社區，才得到迅猛的發展。想讓機器學習工具變得更好用，也要社區成員們一起努力才能實現吧。
不過，這也不是問題的全部：
同一個概念，不同的術語
上文只提到了“缺乏有效描述”的問題，卻沒有解釋，用戶為什么會需要詳盡的描述，ML領域的溝通成本為什么這樣高。
網友@luhem007是這樣說的：
在統計和機器學習的社區里：同一個數學/統計概念能有無數個不同定義。這樣交流起來就很困難，文檔讀起來也很困難。
好像不同的學科都發現了同一個規律，然后迅速給它起個名字占為己有，就跟插個旗子搶地盤一樣。
在統計和機器學習的社區里：同一個數學/統計概念能有無數個不同定義。這樣交流起來就很困難，文檔讀起來也很困難。
好像不同的學科都發現了同一個規律，然后迅速給它起個名字占為己有，就跟插個旗子搶地盤一樣。
樓下深有同感 (@seman_ticks) ：
我想起之前上過的兩門課，一門是數學系的，另一門是計算機系的，本質上講的東西都一樣，就是命名體系不一樣。
可以開個像“thesaurus”那樣的同義詞庫了吧。
我想起之前上過的兩門課，一門是數學系的，另一門是計算機系的，本質上講的東西都一樣，就是命名體系不一樣。
可以開個像“thesaurus”那樣的同義詞庫了吧。
你怎么看？
在機器學習庫/工具身上，網友們找到的缺陷數不勝數，本文難以一一覆蓋。
閣下也有不吐不快的槽點么？或者有解決問題的方案 建議么？
可以留言在評論區，也可以去Reddit參與一下吐槽盛會，有益身心健康。
Reddit討論區：
https://reddit/r/MachineLearning/comments/eftv1o/d_what_frustrates_you_about_ml_tools_libraries/
— 完—
AI內參|把握AI發展新機遇
拓展優質人脈，獲取最新AI資訊&論文教程，歡迎加入AI內參社群一起學習~
跟大咖交流 | 進入AI社群
量子位 QbitAI · 頭條號簽約作者
?'?' ? 追蹤AI技術和產品新動態
喜歡就點「在看」吧 !
