TensorFlow 2.0 新鲜出炉！新版本，新架构，新特性

新智元报道

来源：TensorFlow

编辑：金磊、小芹、张乾

【新智元导读】 TensorFlow2.0终于问世，Alpha版可以抢先体验。新版本主打简单易用可扩展，大大简化API，最后，连logo也改了。

TensorFlow 2.0终于来了！

今天凌晨，谷歌在加州举办TensorFlow开发者峰会（TensorFlow Dev Summit），正式发布2.0版本。

这场发布会有几大亮点：

TensorFlow 2.0 Alpha版发布，用户现在可以抢先体验；
2.0版本具有简易性、更清晰、扩展性三大特征，大大简化API；
提高了TensorFlow Lite和TensorFlow.js 部署模型的能力；

发布会还把TensorFlow目前的家底透露了一遍：目前TF在全球已经有超过4100万的下载次数，社区有超过1800多个贡献者。

尽管官方没有透露中国社区的情况，但是发布会现场展示一张全球地图，根据图中的用户分布情况可以推测，目前TF中国应该是仅次于美国和欧洲的第三大地区。

另外一个值得注意的变化是，从2.0开始，TensorFlow的logo也不一样，从类似积木的形状变成了两个分开的字母“T”和“F”，或许也意味着减少冗余，看上去更简洁。

简单易用可扩展，TF2.0迎来新架构

TensorFlow 已经发展为世界上最受欢迎和被广泛采用的机器学习平台之一，自2015年问世，并在去年11月迎来三周岁生日。

之前开发者反馈，希望TensorFlow能够简化API、减少冗余并改进文档和示例。这次2.0发布，听取了开发者的建议，因此新版本有以下三大特点：简单、强大、可拓展。

基于这三大特点，TensorFlow 2.0也有新架构，如下面的简化概念图所示：

TensorFlow 2.0 将专注于简单性和易用性，具有以下更新：

使用 Keras 和 eager execution，轻松构建模型
在任意平台上实现生产环境的稳健模型部署
为研究提供强大的实验工具
通过清理废弃的 API 和减少重复来简化 API

下面详细介绍TF2.0的新特性。

易用至上，TensorFlow 2.0 Alpha发布

这次TensorFlow的一些列更新，重点就在于：让你使用得更加简单。

TensorFlow 2.0发布以后，训练的流程将变得十分简洁：

主要流程就是：数据集成和转换→模型构建→训练→保存模型。

当然，TensorFlow也秉承着“哪儿都可以部署”的原则，使其在应用方面更加灵活和方便：

下面是TensorFlow2.0在这次更新中的几大亮点：

TensorFlow Alpha

更易用：诸如tf.keras等高级API将更易于使用；并且Eager execution将成为默认设置。例如：

>>>tf.add(2,3)<tf.Tensor: id=2, shape=(), dtype=int32, numpy=5>

更清晰：删除了重复的功能；不同API的调用语法更加一致、直观；兼容性更加完善。

更灵活：提供完整的低级API；可在tf.raw_ops中访问内部操作；提供变量、checkpoint和层的可继承接口。

当然，TensorFlow 2.0 Alpha版本从安装上便十分的简单，仅需一句话：

pip install -U --pre tensorflow

而Eager execution 与 “@tf.function”作为核心升级重点，接下将会对其如何协同工作进行做详细介绍。

其中一个最明显的变化是，TensorFlow 是 “Eager 优先”，这意味着 op 在调用后会立即运行。在 TensorFlow 1.x 中，使用者可能会先构图，然后通过 “tf.Session.run()” 执行图的各个部分。

TensorFlow 2.0 从根本上简化了 TensorFlow 的使用 — 同样出色的 op，现在却更易理解和使用。

a = tf.constant([1, 2])b = tf.constant([3, 4])print(a + b)# returns: tf.Tensor([4 6], shape=(2,), dtype=int32)

TensorFlow 2.0 使用 Keras 作为开发者的核心体验。在 2.0 中，可以如常使用 Keras，利用 Sequential API 构建模型，然后使用 “compile” 和 “fit”。tensorflow.org 中所有这些熟悉的 “tf.keras” 示例均可在 2.0 中实现 “开箱即用”。

Keras 的 “fit()” 适用于很多情况，但是，需要更高灵活性的开发者现在可以有更多选择。来看一下如下示例中以 TensorFlow 2.0 风格编写的自定义训练循环：

def train_one_step(model, optimizer, x, y): with tf.GradientTape() as tape:   logits = model(x)   loss = compute_loss(y, logits) grads = tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) compute_accuracy(y, logits) return lossdef train(model, optimizer): train_ds = mnist_dataset() step = 0 loss = 0.0 for x, y in train_ds:   step += 1   loss = train_one_step(model, optimizer, x, y)   if tf.equal(step % 10, 0):     tf.print('Step', step, ': loss',               loss, '; accuracy', compute_accuracy.result())return step, loss, accuracy

此示例采用 Autograd 风格的 GradientTape，并通过优化器手动应用你的梯度。在编写具有复杂内部运作的自定义训练循环（譬如在强化学习中）或进行研究（轻松帮您落实提高优化器效率的新想法）时，这特别有帮助。

“Eager execution” 还有助于调试和监控运行中的代码，可以使用 Python 调试程序检查变量、层及梯度等对象。在训练循环中，使用 “if”、“for” 和 “print()” 等 Python 语句。

一旦代码运行正常，便会想要获得图表优化和效率。为此，可以利用装饰器 “@tf.function” 封装 “train”。“tf.function” 中内置 Autograph，因此无需任何特殊操作便可获取以用图表效率运行的 “if” 或 “for” 子句。

@tf.functiondef train(model, optimizer): train_ds = mnist_dataset() step = 0 loss = 0 accuracy = 0 for x, y in train_ds:    # 如上所述，包括“if”和“print()”return step

这段代码并不会受注释影响，但会将其编译到可在 GPU、TPU 上轻松运行的图表中，或将其保存至 “SavedModel” 留待后用。

针对这对代码，尤为有趣之处在于，通过在 “@tf.function” 中封装 “train()”，“train_one_step()”、“compute_loss()” 和 “compute_accuracy()” 也会自动进行转换。也可选择在 “@tf.function” 中仅封装部分运算，从而获得所需行为。

此外，TensorFlow 2.0 完全支持 Estimator。

tensorflow.org/alpha 链接

https://www.tensorflow.org/alpha

高级API变化

TensorFlow 2.0 在API上可谓是下足了功夫，在这个版本中，高级API将十分“易于扩展”且“扩展地很容易”：