TensorFlow 2.0 正式版官宣！深度集成 Keras

TensorFlow 2.0正式版终于发布了！

谷歌今天宣布，开源机器学习库TensorFlow 2.0现在可供公众使用。

TensorFlow 2.0的Alpha版本今年初在TensorFlow开发者大会上首次发布，经过近7个月的不断修改、更新，TensorFlow 2.0正式版可谓是千呼万唤始出来。

作为最受欢迎的机器学习库之一，自2015年谷歌大脑团队发布TensorFlow以来，TensorFlow框架已被下载超过4000万次。

为了提高易用性，TensorFlow 2.0进行了许多修改，如取消了一些被认为是多余的API，并紧密集成和依赖tf.keras作为中央高级API。TensorFlow与Keras深度学习库的集成化最初始于2017年2月发布的TensorFlow1.0，本次更新让二者的集成程度进一步提高。

此外，当在Nvidia的Volta和Turing GPU上运行时，新版本的性能表现可以提高三倍。

下面，我们带来对TensorFlow 2.0 新特性的具体介绍。

TensorFlow 2.0专注于简单性和易用性，主要更新如下：

• 可使用Keras轻松进行模型构建，可立即执行，直观调试。

• 在任何平台上的生产中都可以进行稳健的模型部署。

• 提供强大的研究实验支持。

• 减少了重复，移除了不建议使用的端点，简化了API。

TensorFlow 2.0使得机器学习应用的开发更加容易。通过将Keras紧密集成到TensorFlow中、默认eager execution，以及Python函数执行，TensorFlow 2.0开发应用程序的经验会让Python开发者很熟悉。对于那些想要突破机器学习边界的研究人员来说，我们在TensorFlow的底层API上投入了大量的精力：我们现在导出了所有内部使用的操作，并且为诸如变量和checkpoint等关键概念提供了可继承的接口。允许用户构建TensorFlow的内部构件，而无需重建TensorFlow。

能够在各种runtimes(包括云、web、浏览器和Node.js，移动和嵌入式系统)上运行模型，我们对SavedModel文件格式进行了标准化。这允许用户使用TensorFlow运行模型，使用TensorFlow服务部署模型，使用TensorFlow Lite在移动和嵌入式系统上使用模型，使用TensorFlow.js在浏览器或Node.js上训练和运行模型。

对于高性能的训练场景，你可以使用 Distribution Strategy API以最小的代码更改来分布训练，并获得出色的开箱即用性能。它通过 Keras 的 Model.fit 支持分布式训练，还支持自定义训练循环。此外，现在可以使用多GPU支持，Cloud TPU支持将在未来发布。

查看分布式训练指南了解更多:

https://www.tensorflow.org/guide/distributed_training

TensorFlow 2.0在GPU上提供了许多性能改进。TensorFlow 2.0通过在Volta和Turing GPU上使用混合精度和几行代码(例如在ResNet-50和BERT中使用的)，将训练性能提高了 3 倍。TensorFlow 2.0与TensorRT紧密集成，并使用改进的API在谷歌云上的NVIDIA T4 Cloud GPU上进行推理时提供更好的可用性和高性能。

在TensorFlow中构建模型时，对训练和验证数据的有效访问是至关重要的。我们引入了TensorFlow Datasets，为包含各种数据类型(如图像、文本、视频等)的大量数据集提供了一个标准接口。

虽然仍然保留了传统的基于会话的编程模型，但我们建议使用常规的Python开发和eager execution。tf.function可用于将代码转换成可远程执行的、序列化和性能优化的图形。此外，Autograph还可以将常规的Python控制流直接转换为TensorFlow控制流。

如果你使用过TensorFlow 1.x，这里有一个迁移到2.0的官方指南：

https://www.tensorflow.org/guide/migrate

TensorFlow 2.0也包括一个自动转换脚本。

我们已经与谷歌内部和TensorFlow社区的许多用户合作，测试了TensorFlow 2.0的功能，并对反馈感到非常兴奋。例如，谷歌新闻团队在TensorFlow 2.0中启用了基于BERT的语言理解模型，从而极大地改进了新闻报道的覆盖率。TensorFlow 2.0提供易于使用的API和快速实现新想法的灵活性，模型训练和服务被无缝地集成到现有的基础架构中。

而且，ML不仅是Python开发者专属—JavaScript开发者可以使用TensorFlow.js进行训练和推理。Swift语言的支持也正在进行中。

将Keras作为构建和训练模型的中央高级API。 Keras提供了一些模型构建API，如顺序列化、函数化、子类化以及立即执行（用于立即迭代和直观调试）、tf.data（用于构建可扩展的输入pipeline）等。

更灵活的资源分配策略：TF 2.0用户将可以使用tf.distribute.StrategyAPI，通过最少的代码修正来分配训练策略，从而获得出色的现成性能。TF 2.0支持Keras model.fit以及自定义训练循环的分布式训练，还提供多GPU支持，以及对多工作人员和Cloud TPU的实验性支持。

建议使用函数，而不是会话。TF 2.0不鼓励使用传统的声明式编程模型来构建图形，再通过tf.Session执行，而是建议编写常规Python函数来代替这一过程。使用tf.function装饰器，可以将这些函数转换为图形，这些图形可以远程执行，序列化并针对性能进行优化。

实现tf.train.Optimizers和tf.keras.Optimizers的统一。对TF2.0使用tf.keras.Optimizers。作为公共API删除了compute_gradients，使用GradientTape计算梯度。

AutoGraph将Python控制流转换为TensorFlow表达式，允许用户在有tf.function的函数中编写常规Python语句。AutoGraph也适用于与tf.data，tf.distribute和tf.keras API一起使用的函数。

将交换格式统一为SavedModel。所有TensorFlow生态系统项目（TensorFlow Lite，TensorFlow JS，TensorFlow Serving，TensorFlow Hub）都接受SavedModels。模型状态应保存到SavedModels或从SavedModels恢复。

一些API的更改：部分API符号被重命名或删除，参数名称也已更改。许多更改都是出于提高一致性和清晰性的考虑。TF 1.x版本API在compat.v1模块中仍然可用。

清理了一些API：移除了tf.app，tf.flags和tf.logging以支持absl-py。不再使用如tf.global_variables_initializer和tf.get_global_step之类的辅助方法的全局变量。

自动混合精度图形优化器简化了将模型转换为float 16的过程，更便于在Volta和Turing张量核心上进行加速。可以使用tf.train.experimental.enable_mixed_precision_graph_rewrite（）包装优化器类来启用此功能。

添加环境变量TF_CUDNN_DETERMINISTIC。设置为TRUE或“ 1”将强制选择确定性cuDNN卷积和最大池算法。启用此功能后，算法选择过程本身也是确定性的。

这里有一个方便的指南，了解如何有效使用TensorFlow 2.0中的所有新功能：

https://www.tensorflow.org/guide/effective_tf2

此外，为了简化TensorFlow 2.0的入门工作，官方发布了几个使用2.0 API的常用ML模型的参考实现：

https://www.tensorflow.org/resources/models-datasets

最后，两个免费在线课程不容错过：

https://www.coursera.org/learn/introduction-tensorflow

https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187

GitHub：

https://github.com/tensorflow/tensorflow/releases/tag/v2.0.0