Google Development Days China 2018近日在中国召开了。非常遗憾，小编因为不可抗性因素滞留在合肥，没办法去参加。但是小编的朋友有幸参加了会议，带来了关于tensorlfow的一手资料。这里跟随小编来关注tensorflow在生产环境下的最佳应用情况。
Google Brain软件工程师冯亦菲为我们带来了题为“用Tensorflow高层API来进行模型原型设计、训练和生产投入”的精彩报告。
冯亦菲姐姐给我们讲了一些tensorflwo的新的API的变动，最重要的是提出了一些使用tensorflow的建议。
总结出来有六个方面，分别是：
-
用Eager模式搭建原型
-
用Datasets处理数据
-
用Feature Columns提取特征
-
用Keras搭建模型
-
借用Canned Estimators
-
用SavedModel打包模型
下面我们依次来了解下这六个方面。
用Eager模式搭建原型
作为计算机界的一份子，我们知道静态图的效率自然是快快的，但是动态图的使用为我们的使用带来的很多方便。17年的时候，各大框架动态图大行其道，于是Google提出了tf.contrib.eager应对挑战。
使用Eager有什么好处呢？回想之前我们在调试tensorflow的程序时，不得不使用sess.run()，麻烦的要死，而使用Eager就可以直接的将变量打印出来，大大方便了我们的调试；好处不止这么多，在进行模型搭建的时候，以前我们需要仔细考虑下Tensor的shape，一旦出错要定位也很不容易。而使用Eager可以一边搭建网络结构，一边将shape打印出来确认下是否正确。这就使我们在搭建网络时更加方面快捷了；此外，使用Eager后，自定义Operation和Gradient也会方便很多。
下面举个简单的小例子。首先使用pip install tf-nightly（或GPU版本pip install tf-nightly-gpu）来安装Eager。
import tensorflow as tfimport tensorflow.contrib.eager as tfetfe.enable_eager_execution() #开启Eager模式a = tf.constant([5], dtype=tf.int32)for i in range(a): print (i)
使用Eager后我们可以很顺利的执行上述代码。但是如果没有Eager，就会报Tensor对象不能解释为integer的错误。从缺点上来讲，Eager的引入也势必造成额外的成本。
用Datasets处理数据
tensorflow的数据读入有三种方式：通过feeding的方式；通过管道（pipeline）的方式；直接读取变量或常量中保存的数据。Datasets属于上面提出的第二种方式，可以简化数据输入过程，而且能够提高数据的读入效率。
Datasets的组成如上如所示。其中：
-
Dataset：创建和转换数据集的基本；
-
TextLineDataset：从文本文件中读取行；
-
TFRecordDataset：读取TFRecord文件；
-
FixedLengthRecordDataset：从二进制文件读取固定大小的记录；
-
Iterator：提供一种一次访问一个数据集元素的方法。
对于Datasets的使用，我们可以使用Dataset的子类提供的方法，也可以直接使用基类的方法：tf.data.Dataset.from_tensors()或者tf.data.Dataset.from_tensor_slices()。
用Feature Columns提取特征
Feature Columns实际上是一个数据结构，一个用于描述特征的数据结构。利用Feature Columns可以很方便的对输入训练模型前的特征进行处理。比如鸢尾花的识别，对于输入数据，每列表示不同的特征，如花瓣的长度，花萼的长度等等，我们想要对不同的列分别进行处理（或者对所有的列进行处理），使用Feature Columns就可以轻松的实现。
如上图所示，Feature Columns形成了对输入数据集的结构性描述。可以方便我们对每列数据进行处理，而且使得代码的可读性更强。
用Keras搭建模型
想必大家对Keras已经比较了解了，使用Keras来构建一个神经网络，简直是飞一般地速度，而且完美的兼容tensorflow。
simple_model=Sequential()simple_model.add(Dense(3,input_shape=(x.shape[1],),activation='relu',name='layer1'))simple_model.add(Dense(5,activation='relu',name='layer2'))simple_model.add(Dense(1,activation='sigmoid',name='layer3'))
构建一个模型就是如上面这么简单，而且调用API中定义好的模型更是只需要一句话，极其的方便。
借用Canned Estimators
Estimators API提供了模型选择、评估、训练等一些列功能。在1.3版本后，Google又增加了一层，称之为Canned Estimators。只需要一行代码就能够创建深度模型。Estimators可以结合上面提到的Feature Columns一起使用。
tf.estimator.Estimator是基类；Pre-made Estimators是基类的子类，是已经定义好的模型，我们可以直接拿来使用；Custom Estimators是基类的实列，并不是定义好的，需要我们自己实现模型的定义。
对于这里的模型，由三部分组成：
-
Input function：输入函数，即我们前面所说的Datasets，对于数据进行表示；
-
Model function: 实验模型的训练、验证、测试以及监控模型的参数；
-
Estimators: 控制数据流以及模型的各种运算。
用SavedModel打包模型
相比于tensorflow原版的tf.train.Saver保存模型的方式，SavedModel提供了更好的将模型部署到生成环境的手段，更适用于商业目的。
如上图右下方部分，在使用SavedModel打包模型时，可以产生两种模型：
对应于第一种模型，Tensorflow Model Analysis可以方便我们对模型进行分析，是不是存在参数的问题，抑或是模型哪里设计的不合适等等；通过分析后，感觉模型不错，我们就可以通过Tensorflow Serving进行部署。
此外，相比于Saver的方式，我们在inference时不需要再重新定义Graph（模型），如果使用Saver的话，在使用该模型时就需要再定义该模型，如果是一个程序猿设计并使用的还好，如果换成另一个猿去用这个模型，他又不知道模型的tensor的情况，那就尴尬了。所以使用SavedModel可以让我们更轻松地去使用模型。
总结
Google Developer Days给我们提供了一场盛宴，希望和大家一起学习其中的知识。如果可以，请为这篇文章点个赞吧。据说点赞的都能进Google。
