TensorFlow2.0专栏之：从1.x到2.0的变化

本章针对有TensorFlow1.0基础的学习者，如果没有了解过TensorFlow的小伙伴也可以直接跳过，不影响后续学习~

从1.x到2.0的变化TensorFlow2.0在1.x的基础上做了重新设计，重点放在了提升开发人员的工作效率。TensorFlow2.0为了提升易用性做了很多改进，例如对API做了精简，删除了冗余的API，使得API更加一致（例如统一TensorFlow和tf.keras的循环神经网络和优化器等），以及由静态计算图转变为动态计算图等（这使得代码的编写和调试变得更加容易）。

总结一句：TensorFlow2.0比1.0好用！

那么，TensorFlow从1.x到2.0的变化具体有哪些呢？

1.API精简

很多TensorFlow1.x的API在2.0中被去掉或者改变了位置，还有一些则被新的API给替换掉了。官方提供了一个转换工具，可以用来将1.x版本的代码升级到2.0，其主要工作其实就是修改这些有变更的API。

2.动态计算图

动态计算图（Eager Execution）是TensorFlow从1.8版开始正式加入的，但只是作为一种可选操作。在TensorFlow2.0之前，TensorFlow默认的模式都是静态计算图机制（GraphExecution），TensorFlow2.0将动态计算图设为默认模式。在该模式下用户能够更轻松地编写和调试代码，可以使用原生的Python控制语句，大大降低学习和使用TensorFlow的门槛。

在TensorFlow2.0中，图（Graph）和会话（Session）都变成了底层实现，而不再需要用户关心了。

3.取消全局变量

TensorFlow1.x非常依赖隐式全局命名空间。调用“tf.Variable”创建变量时，该变量就会被放进默认的图中，即使我们忘记了指向它的Python变量，它也会留在那里。当我们想恢复这些变量时，必须知道该变量的名称。如果没法控制这些变量的创建，也就无法做到这点。

TensorFlow1.x中有各种机制旨在帮助用户再次找到他们所创建的变量，在2.0版中则取消了所有这些机制，支持默认机制：跟踪变量。当我们不再用到某个变量时，该变量就会被自动回收。

4.使用函数

在TensorFlow1.x中，使用“session.run（）”方法执行计算图，“session.run（）”方法的调用类似于函数调用：指定输入数据和调用的方法，最后返回输出结果。为了保留静态图的优势，如性能优化及重用模块化的TensorFlow函数等。

在TensorFlow2.0中，我们可以使用“tf.function（）”来修饰Python函数以将其标记为即时（Just-In-Time）编译，从而TensorFlow可以将其作为单个图来执行。