本文轉自公眾號 新智元，原文地址
作為全球最受歡迎的機器學習開源框架，在TensorFlow 發展的3年里，見證了機器學習和人工智慧領域的快速發展和變化；與人類的孩子一樣，不斷學習，遭到批評，遇到對手，走向更大、更廣闊的環境。
而TensorFlow 2.0作為一個重要的里程碑，將更加關注其「易用性」，更注重使用的低門檻，旨在讓每個人都能應用機器學習技術。
那麼在架構方面，又會有何不同呢？話不多說，來看下新架構圖：
在過去的幾年中，開發團隊為TensorFlow添加了許多組件，而在2.0版本中，這些組件將被打包成一個綜合平台，可支持機器學習的工作流程(從訓練到部署)。正如上圖所示。
儘管新架構中的訓練部分主要關注Python API，但是TensorFlow.js還支持訓練模型。其他語言綁定(language binding)也有不同程度的支持，包括Swift、R和Julia等。
最近，官方宣布Keras作為一個用戶友好的機器學習API標準，將成為用於構建和訓練模型的高級API。 Keras API讓用戶可以輕鬆開始使用TensorFlow。尤其重要的是，Keras提供了幾個模型構建API（順序，功能和子類），因此您可以為項目選擇正確的抽象級別。
Keras API使得上手TensorFlow非常容易。重要的是，Keras提供了幾個模型構建API(Sequential、Functional以及Subclassing)，因此用戶可以選擇正確的抽象化(abstraction)級別，TensorFlow的實現包含增強功能，包括eager execution、立即迭代(immediate iteration)和直觀調試(intuitive debugging)，以及tf.data，用於構建可擴展的輸入pipeline。
TensorFlow的實現包含增強功能，包括急切執行，立即迭代和直觀調試，以及tf.data，用於構建可擴展的輸入管道。
以下是一個工作流程示例：
1、使用tf.data載入數據。使用輸入管道讀取訓練數據，輸入管道使用tf.data創建。利用tf.feature_column描述特徵，如分段和特徵交叉。此外還支持內存數據的便捷輸入（如NumPy）。
2、使用tf.keras構建、訓練並驗證模型，或者使用Premade Estimators。Keras與TensorFlow的其餘部分緊密集成，因此用戶可以隨時訪問TensorFlow的函數。如線性或邏輯回歸、梯度上升樹、隨機森林等也可以直接使用（使用tf.estimatorAPI實現）。如果不想從頭開始訓練模型，用戶也可以很快利用遷移學習來訓練使用TensorFlow Hub模塊的Keras或Estimator模型。
3、快速執行運行和調試過程，然後使用tf.function充分利用圖形的優勢。在默認情況下，TensorFlow 2.0按快速執行方式運行，以便於順利調試。此外，tf.function注釋可以方便地將Python程序轉換為TensorFlow圖形。此過程保留了1.x TensorFlow基於圖形的執行的所有優點：性能優化，遠程執行以及方便序列化、導出和部署的能力，同時實現了在Python中表達程序的靈活性和易用性。
4、使用分散式策略進行分散式訓練。對於大型機器學習訓練任務，分散式策略API可以輕鬆地在不同硬體配置上分配和訓練模型，無需更改模型的定義。由於TensorFlow支持各種硬體加速器，如CPU，GPU和TPU，因此用戶可以將訓練負載分配到單節點/多加速器以及多節點/多加速器配置上（包括TPU Pod）。這個API支持多種群集化配置，也提供了在本地或雲環境中部署Kubernetes群集訓練的模板。
5、導出到Saved Model。 TensorFlow將對Saved Model進行標準化，作為TensorFlow服務的一部分，他將成為TensorFlow Lite、TensorFlow.js、TensorFlow Hub等格式的可互換格式。
構建模型，如此簡單！
TensorFlow始終為生產提供了直接部署方式。無論是部署在伺服器、邊緣設備還是Web上，TensorFlow都可以讓用戶對模型實現輕鬆訓練和部署。無論用戶使用何種語言或平台。在TensorFlow 2.0中，我們通過標準化互換格式和API對齊來提高跨平台和組件的兼容性。
訓練並保存模型後，可以直接在應用程序中執行，也可以使用其中一個部署庫為其提供服務：
TensorFlow服務：TensorFlow庫，允許通過HTTP / REST或gRPC /協議緩衝區提供模型。
TensorFlow Lite：TensorFlow針對移動和嵌入式設備的輕量級解決方案提供了在Android，iOS和嵌入式系統（如Raspberry Pi和Edge TPU）上部署模型的功能。
TensorFlow.js：允許在JavaScript環境下部署模型，如在Web瀏覽器或伺服器端通過Node.js實現部署。TensorFlow.js還支持使用類似Keras的API在JavaScript中定義模型並直接在Web瀏覽器中進行訓練。
TensorFlow還支持其他語言，包括C，Java，Go，C＃，Rust，Julia，R等。
功能強大的面向研究的實驗環境
TensorFlow 2.0集成了許多功能，可以在不損失速度和性能的情況下定義和訓練最先進的模型：
Keras Functional API和Model Subclassing API：可以創建複雜的拓撲，包括使用殘差層，自定義多輸入/輸出模型以及強制寫入的前向傳遞。
自定義訓練邏輯：使用tf.GradientTape和tf.custom_gradient對梯度計算進行細粒度控制。
為了獲得更大的靈活性和可控性，低級的TensorFlowAPI是始終可用的，並可與更高級的抽象概念工具結合使用，以實現完全可定製的邏輯。
TensorFlow 2.0帶來了一些新增功能，允許研究人員和高級用戶進行實驗，使用豐富的擴展，如Ragged Tensors，TensorFlow Probability，Tensor2Tensor等。
除了這些功能外，TensorFlow還提供了易於執行的簡單原型設計和調試，分散式策略API和AutoGraph，可以進行大規模訓練，並支持TPU，這些都使TensorFlow 2.0成為一個易於使用、可定製且高度可擴展的平台，可用於實現最先進的技術，進行機器學習研究，並將研究轉化為生產流程。
TensorFlow 1.x和2.0之間的差異
自從首次開源TensorFlow以來，我們已經發布了多個版本的API迭代。隨著機器學習的快速發展，現在TensorFlow已經發展壯大，支持多樣化的用戶組合，可以滿足各種需求。使用TensorFlow 2.0，用戶有機會根據語義版本控制來實現平台的清理和模塊化。
以下是一些較大的變化：
移除了隊列運行器以支持tf.data。
移除了圖表集合。
變數處理方式的變化。
可對API符號進行移動和重命名
更高的兼容性和連續性
為了讓用戶向TensorFlow 2.0的遷移更加容易，我們將發布一個轉換工具，它可以對TensorFlow 1.x Python代碼進行更新，以使用TensorFlow2.0兼容的API，或者對無法自動轉換的代碼予以標記。
當然，並非所有的更改都可以完全自動完成。比如，某些已被棄用的API沒有直接的可替代對象。所以我們引入了tensorflow.compat.v1兼容性模塊，該模塊保留了對完整TensorFlow 1.x API（不包括tf.contrib）的支持。該模塊將在整個TensorFlow 2.x的生命周期內保持維護，並允許使用TensorFlow 1.x編寫的代碼維護功能。
此外，Saved Model或保存的GraphDefs將向後兼容。使用1.x版本保存的SavedModels將繼續能夠在2.x中載入和執行。但是，2.0中的原始檢查點中的變數名稱可能會發生更改，因此，使用已轉換為2.0版本代碼中的2.0之前版本的檢查點可能無法正常工作。
我們相信，TensorFlow 2.0將為開發者社區帶來巨大利益，為了讓這次版本轉換變得盡量簡單方便，我們投入了大量精力。
但是，我們也認識到，版本遷移需要時間，我們非常關心社區成員目前對學習和使用TensorFlow的投入。我們將在最後的1.x版本中提供12個月的安全補丁，以便為現有用戶提供充足的時間進行過渡，並順利獲得TensorFlow2.0的所有優勢。
參考鏈接：
Comments