sonnet

Sonnet 是 DeepMind 内部孵化的神经网络库，直接架在 TensorFlow 2 上，主打“简单 + 可组合”。它的核心就是 `snt.Module` 这个单一概念——你只要把参数、子模块和计算逻辑塞进一个模块里，就能像搭积木一样拼出任意复杂的网络。对比 Keras 那种“你要按我规定的方式训练”的强框架，Sonnet 极度“无立场”：它不带你训模型，也不绑定优化器，只给你模块化抽象，怎么用全看你。这种极简哲学特别适合需要自由折腾的研究场景，比如强化学习或非标准网络结构——你带着 PyTorch 那种灵活感，却又踩在 TensorFlow 的生产力上。 它的技术亮点很实在：自带大量预置模块（`snt.Linear`、`snt.Conv2D`、`snt.BatchNorm`），甚至连 MLP 这种常用网络都给你封装好了，但绝不强制你用。代码写得非常干净，每处默认值都标明了设计理由，读起来像在看教程。更重要的是，Sonnet 的模块天然支持分布式训练（`snt.distribute`），这在深度强化学习或者大模型训练中特别香。另外它对计算图的控制很精细，适合那些需要操作参数初始化、梯度裁剪等底层细节的玩家。 谁适合用它？如果你做机器学习研究，尤其是强化学习、无监督、GAN 这些不太走标准 pipeline 的方向，Sonnet 会让你很舒服。DeepMind 内部很多顶会论文都是用这个库写出来的，说明它经得起高端折腾。就算只是学深度学习原理，它模块化的代码也是极好的教学素材——你会更清楚“层”到底是怎么来的。 上手门槛不高：你只需要熟悉 Python 和基础 TensorFlow 2 用法。Sonnet 提供了不少 Colab 示例（如 MLP 预测 MNIST、GAN 训练），跟着跑一遍就能理解核心思想。但注意，因为 Sonnet 不提供训练循环、优化器、数据管道这些，你需要自己搭（或者复用社区方案），这可能会让习惯 Keras 一键训练的朋友觉得麻烦。不过这正是它的设计目标：“给你最强积木，自己搭房子”。