TensorFlow 与 PyTorch

这一课你将能做到

1. 一张表说清 PyTorch / TensorFlow / JAX / XGBoost / scikit-learn 各守哪块阵地
2. 用 FastAPI + pydantic 把上一课保存的 pipeline 部署成一个 HTTP 预测服务
3. 用 uvicorn 启动服务并用命令行验证接口
4. 说清训练/推理分离、版本管理、特征漂移监控、灰度发布这些上线工程题

为什么要学

「模型在 notebook 里准确率 0.9」和「模型在服务器上稳定服务 10 万用户」之间隔着一条工程鸿沟。面试官问深度学习框架，多半不是考 API，而是考你知不知道模型从实验到上线要经过什么。

本课先给框架地图定方位，再把上一课保存的 mastery_pipe.joblib 真正变成一个可调用的 HTTP 服务——这一步做完，你的项目才算闭环。

先建立图像

训练侧（离线，可以慢）              服务侧（在线，必须快而稳）
notebook / 脚本                    FastAPI 进程
   │ 交叉验证调参                      │ 启动时加载 joblib 工件
   ▼                                  │ 收到 JSON → DataFrame
joblib.dump(pipeline) ────工件───►    ▼
                                 pipeline.predict_proba → JSON 返回

跟着做

步骤 1：框架地图

框架	定位	什么场景选它
PyTorch	研究与工业主流，动态图调试友好	深度模型、论文复现、团队从零起步
TensorFlow / Keras	部署生态完善（Serving / TFLite）	移动端、嵌入式、存量 TF 团队
JAX	函数式 + 编译加速	前沿研究、TPU 大规模训练
XGBoost / LightGBM	表格数据之王	特征清晰的中小规模结构化数据
scikit-learn	常规机器学习标准件	基线模型、快速验证想法

结论：先跑通 sklearn/XGBoost 基线，再决定要不要上 PyTorch，顺序别反。

步骤 2：写预测服务（main.py）

# pip install fastapi uvicorn joblib pandas scikit-learn
import joblib
import pandas as pd
from fastapi import FastAPI
from pydantic import BaseModel, Field

class Answer(BaseModel):
    accuracy: float = Field(..., ge=0, le=1)   # pydantic 做入参校验
    attempts: float | None = None
    topic: str

app = FastAPI(title="掌握度预测服务")
pipe = joblib.load("mastery_pipe.joblib")      # 启动时加载一次

@app.post("/predict")
def predict(a: Answer):
    X = pd.DataFrame([a.model_dump()]).astype({"attempts": "float64"})
    proba = float(pipe.predict_proba(X)[0, 1])
    return {"mastery_probability": round(proba, 3),
            "mastery": proba >= 0.6}

两个细节：None 经 astype("float64") 转成 NaN 交给 Imputer 兜底；接口返回，阈值 0.6 留在业务层可随时改。