本人深度学习一年级小白，语音合成方向。
对 TensorFlow 的批判。
当你发现最上层 API 达不到复现标准的时候，Tensorflow 的难用就体现出来——你不得不把源码里整个 class 搬过来，改造它的方法以适配你的应用，然后你又必须面对设计模式的各种坑，各种运行不起来（比如一个变量,你以为它是个对象，其实它只是个方法，并未求值）。对软件工程不熟悉的开发人员极不友好。若不是谷歌强大的 AI 生态，以及围绕生态培养起来的全世界数百名开发高手，这种框架真的没啥竞争力可言——首先,API 设计得太烂了，有时简直没法用，因为 API 根本不是严格以经典论文架构为导向而设计的；其次，过度依赖设计模式，对非软件出身的工程师不友好；最后调试困难，这点倒是难不倒我。最后个人忠告，注意力模型尽量不要用 AttentionWrapper，实践证明屎一样的 API。
对 PyTorch 的批判。
回过头批判 PyTorch。严格地讲不是对框架本身的批判，因为我没有深入基于 PyTorch 开发过。应用生态不是没有，但是跟 Tensorflow 实在没法比。以 Github 为例，一个中小型 AI 项目（复现经典论文为主），TF 项目的 issue 大概上百个，就算作者忙不过来，也有其他用户热心帮忙解答；而 PyTorch 项目能有二三十个 issue 就很不错了，我提了个 issue，近一个礼拜没人理我，作者跑路，用户冷淡，你让我一个人如何敢入坑？验证一下效果就是跑一整天啊，我可没这精力和耐心去开发调试，结果越来越不敢碰，以至于最终弃坑。PyTorch 生态毕竟还是要寄托于脸书，但脸书的 AI 产出跟谷歌相比还是差一个档次。至于国人的 MXNet ……算了，人生苦短，忘了它吧～
项目入手选择。
尽量选 issue 多的，这意味着参与的人多，人越多意味着质量越好。比如论文里的效果是理想值的话，个人开源项目复现到 60~70 分的一大堆，要想再提高 20 分就需要众多高手出谋划策，以及大批小白鼠反馈。这是集体智慧，我还没见过哪个高手单独能复现 90 分以上的。神经网络模型真是一门玄学。
一点调参经验。
当你的复现效果只有 60~70 分，还需要起码 20 分才理想，那几乎一定是架构出了问题，调参是解决不了的。反过来如果调参能够提升 20 分，那只能说明之前的参数设置是错的，这是一个 bug。而参数都是论文给出的，除非论文造假，否则参数 bug 的可能性几乎不存在。而高手往往是从架构设计中寻求突破的，建议你调参的都是平庸的方案。没错，我个人很少接受调参的建议，遇上瓶颈都是从 Github 上搬运高人的架构方案，节省了不少时间。
