TensorFlow推2.0正式版与Keras更紧密

开源深度学习函式库TensorFlow团队在今年初不断释出2.0的消息，春季也推出了Alpha测试版，而现在终于在TensorFlow World大会上，正式发表了TensorFlow 2.0.0。这个版本重点摆在易用性的改进，加强与Python开源神经网络函式库Keras的整合，并且简化API降低功能重复。TensorFlow 2.0整合Keras作为建置和训练模型的中央高阶API，Keras提供了一些模型建置的API，可用来建立像是序列式（Sequential）、功能式（Functional）和子类别（Subclassing）等模型。而这些API可以与Eager Execution功能结合使用，Eager Execution是TensorFlow的命令式程序开发环境，能立即执行程序代码评估操作，让开发者快速对程序代码除错并进行迭代。另外，Keras 模型建置API也可以结合tf.data，建置可扩充的出入工作管线。

而TensorFlow 2还更新了分布式训练策略，开发者可以使用tf.distribute.Strategy API，以最少的程序代码更动分散模型训练，进而获得良好的效能，这个API也支持Keras model.fit分布式训练以及自定义训练循环，同时还支持多GPU训练，目前多重Worker和Cloud TPUs进入实验性支持阶段。官方提到，他们不鼓励开发者使用传统的声明性编程模型建置图（Graph），接着并透过tf.Session来执行，而是应该要以正规的Python函式写法代替。使用tf.function装饰器（Decorator）可以将函式转换为图，这些图可以远程执行、串行化以及进行效能优化。

现在TensorFlow交换格式都与SavedModel统一，所有TensorFlow生态系的项目，像是TensorFlow Lite、TensorFlow JS、TensorFlow Serving和TensorFlow Hub项目都接受SavedModel。SavedModel格式内容具有完整的TensorFlow程序，包含权重和计算，不需要原始建置模型的程序代码就能执行，这对于模型共享或是部署非常有用。开发团队为TensorFlow 2的API进行了调整，许多API符号经重新命名或是删除，参数名称也被更改，整体来说，调整后能让API的使用经验更加一致清楚。