yy玄幻小说排行榜完本,盗墓笔记第二季,长生界辰东小说

TensorFlow2.0終于問世，Alpha版可以搶先體驗。新版本主打簡單易用可擴展，大大簡化API，最后，連logo也改了。

TensorFlow 2.0終于來了！

今天凌晨，谷歌在加州舉辦TensorFlow開發者峰會（TensorFlow Dev Summit），正式發布2.0版本。

這場發布會有幾大亮點：

TensorFlow 2.0Alpha版發布，用戶現在可以搶先體驗；

2.0版本具有簡易性、更清晰、擴展性三大特征，大大簡化API；

提高了TensorFlow Lite和TensorFlow.js部署模型的能力；

發布會還把TensorFlow目前的家底透露了一遍：目前TF在全球已經有超過4100萬的下載次數，社區有超過1800多個貢獻者。

盡管官方沒有透露中國社區的情況，但是發布會現場展示一張全球地圖，根據圖中的用戶分布情況可以推測，目前TF中國應該是僅次于美國和歐洲的第三大地區。

另外一個值得注意的變化是，從2.0開始，TensorFlow的logo也不一樣，從類似積木的形狀變成了兩個分開的字母“T”和“F”，或許也意味著減少冗余，看上去更簡潔。

簡單易用可擴展，TF2.0迎來新架構

TensorFlow 已經發展為世界上最受歡迎和被廣泛采用的機器學習平臺之一，自2015年問世，并在去年11月迎來三周歲生日。

之前開發者反饋，希望TensorFlow能夠簡化API、減少冗余并改進文檔和示例。這次2.0發布，聽取了開發者的建議，因此新版本有以下三大特點：簡單、強大、可拓展。

基于這三大特點，TensorFlow 2.0也有新架構，如下面的簡化概念圖所示：

TensorFlow 2.0 將專注于簡單性和易用性，具有以下更新：

使用 Keras 和 eager execution，輕松構建模型

在任意平臺上實現生產環境的穩健模型部署

為研究提供強大的實驗工具

通過清理廢棄的 API 和減少重復來簡化 API

下面詳細介紹TF2.0的新特性。

易用至上，TensorFlow 2.0 Alpha發布

這次TensorFlow的一些列更新，重點就在于：讓你使用得更加簡單。

TensorFlow 2.0發布以后，訓練的流程將變得十分簡潔：

主要流程就是：數據集成和轉換→模型構建→訓練→保存模型。

當然，TensorFlow也秉承著“哪兒都可以部署”的原則，使其在應用方面更加靈活和方便：

下面是TensorFlow2.0在這次更新中的幾大亮點：

TensorFlow Alpha

更易用：諸如tf.keras等高級API將更易于使用；并且Eager execution將成為默認設置。例如：

>>>tf.add(2,3)

更清晰：刪除了重復的功能；不同API的調用語法更加一致、直觀；兼容性更加完善。

更靈活：提供完整的低級API；可在tf.raw_ops中訪問內部操作；提供變量、checkpoint和層的可繼承接口。

當然，TensorFlow 2.0 Alpha版本從安裝上便十分的簡單，僅需一句話：

pip install -U --pre tensorflow

而Eager execution 與 “@tf.function”作為核心升級重點，接下將會對其如何協同工作進行做詳細介紹。

其中一個最明顯的變化是，TensorFlow 是 “Eager 優先”，這意味著 op 在調用后會立即運行。在 TensorFlow 1.x 中，使用者可能會先構圖，然后通過 “tf.Session.run()” 執行圖的各個部分。

TensorFlow 2.0 從根本上簡化了 TensorFlow 的使用 — 同樣出色的 op，現在卻更易理解和使用。

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 作為開發者的核心體驗。在 2.0 中，可以如常使用 Keras，利用 Sequential API 構建模型，然后使用 “compile” 和 “fit”。tensorflow.org 中所有這些熟悉的 “tf.keras” 示例均可在 2.0 中實現 “開箱即用”。

Keras 的 “fit()” 適用于很多情況，但是，需要更高靈活性的開發者現在可以有更多選擇。來看一下如下示例中以 TensorFlow 2.0 風格編寫的自定義訓練循環：

deftrain_one_step(model,optimizer,x,y):withtf.GradientTape()astape: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)returnlossdeftrain(model,optimizer):train_ds=mnist_dataset()step=0loss=0.0forx,yintrain_ds:step+=1loss=train_one_step(model,optimizer,x,y)iftf.equal(step%10,0):tf.print('Step',step,':loss',loss,';accuracy',compute_accuracy.result())return step, loss, accuracy

此示例采用 Autograd 風格的 GradientTape，并通過優化器手動應用你的梯度。在編寫具有復雜內部運作的自定義訓練循環（譬如在強化學習中）或進行研究（輕松幫您落實提高優化器效率的新想法）時，這特別有幫助。

“Eager execution” 還有助于調試和監控運行中的代碼，可以使用 Python 調試程序檢查變量、層及梯度等對象。在訓練循環中，使用 “if”、“for” 和 “print()” 等 Python 語句。

一旦代碼運行正常，便會想要獲得圖表優化和效率。為此，可以利用裝飾器 “@tf.function” 封裝 “train”。“tf.function” 中內置 Autograph，因此無需任何特殊操作便可獲取以用圖表效率運行的 “if” 或 “for” 子句。

@tf.functiondeftrain(model,optimizer):train_ds=mnist_dataset()step=0loss=0accuracy=0forx,yintrain_ds:#如上所述，包括“if”和“print()”return step

這段代碼并不會受注釋影響，但會將其編譯到可在 GPU、TPU 上輕松運行的圖表中，或將其保存至 “SavedModel” 留待后用。

針對這對代碼，尤為有趣之處在于，通過在 “@tf.function” 中封裝 “train()”，“train_one_step()”、“compute_loss()” 和 “compute_accuracy()” 也會自動進行轉換。也可選擇在 “@tf.function” 中僅封裝部分運算，從而獲得所需行為。

此外，TensorFlow 2.0 完全支持 Estimator。

tensorflow.org/alpha 鏈接

https://www.tensorflow.org/alpha

高級API變化

TensorFlow 2.0 在API上可謂是下足了功夫，在這個版本中，高級API將十分“易于擴展”且“擴展地很容易”：