TensorFlow 2.0的新功能

TensorFlow 2.0是Google开源机器学习框架的下一个主要版本，其第一个beta版本可用。

TensorFlow是Google对机器学习和数据科学领域的贡献，是快速开发神经网络的通用框架。 尽管相对较新，但TensorFlow由于其强大的抽象性和易用性而已被广泛采用作为深度学习的通用平台。

TensorFlow项目页面上提供了Ubuntu Linux，MacOS和Microsoft Windows上TensorFlow的安装说明 。 Docker用户可以直接从Docker Hub获取预构建的TensorFlow Docker映像 。 您还可以将源代码编译为二进制文件 ； 这些资源可以在GitHub上找到 。

[ TensorFlow机器学习入门 。 | TensorFlow评论：最好的深度学习库变得更好 。 | 点评：Google Cloud AutoML是真正的自动化机器学习 。 | 最好的机器学习和深度学习库 。 | 通过InfoWorld大数据和分析报告时事通讯深入了解分析和大数据。 ]

除了解决性能问题外，TensorFlow 2.0的构建者还将其视为纠正兼容性和连续性错误的机会，否则在语义版本控制中将被禁止。

TensorFlow 2.0的主要功能是“渴望执行”的环境，可通过TensorFlow的实践更好地使用户对编程模型的期望达到一致。 在TensorFlow 1.7中引入的急切执行是一种命令式编程环境，它可以立即评估操作而无需构建图形。 返回具体值而不是计算图，以便以后运行。 急切的执行旨在使框架更易于学习和使用。

TensorFlow 2.0中引入的其他功能包括：

• 使用更简单的高级Keras API可以高层训练和构建模型的能力 。
• 扩展了对更多平台和语言的支持。
• 通过交换格式的标准化和API的对齐，改善了平台和语言组件之间的兼容性。
• 删除不推荐使用的API，以减少用户之间的混淆。
• 通过新的API，无需大量更改代码即可在所有可用设备上自动分发培训的功能。
• 支持TensorFlow Lite ，这是TensorFlow的缩小版本，可在智能手机和其他资源受限的硬件上运行。

计划对升级进行一系列公共设计审查 。

TensorFlow 1.0代码几乎可以在TensorFlow 2.0中完全未经修改地运行，但不会利用TensorFlow 2.0的改进。 最好的长期策略是转换现有的TensorFlow程序； TensorFlow 2.0程序不仅运行速度更快，而且通常更为简洁。 提供的转换工具会更新Python代码以使用与TensorFlow兼容的API，并在无法进行自动转换时发出警告。

TensorFlow 2.0的构建者不希望在1.x系列产品中进一步开发功能，尽管在2.0版发布后的一年内，将为1.x系列产品提供安全补丁。

2018年5月的TensorFlow 1.8中的新增功能包括：

• 将数据预取到GPU内存的能力。 由于可以立即将数据全部复制到GPU，因此可以加快GPU的运行速度，从而提前知道数据。
• Google说，它支持Cloud TPU的第三代管道配置，“从而提高了性能和可用性”。 TPU是Google Cloud专有的硬件单元，可加速TensorFlow性能 。
• 通过tf.contrib.proto和tf.contrib.rpc库，对在tf.contrib.proto内部读写协议缓冲区的支持以及对较早RPC通信的支持。

TensorFlow 1.7的主要新功能包括：

• 引入了热切的执行 ，这是一种编程模型，可以立即评估操作，而不是构建图并在以后执行。 对于需要实时反馈的项目和环境进行编程（例如在Python REPL中），急切执行非常有用。
• 贡献的模块tf.contrib.data.SqlDataset允许将SQLite数据库读取为Dataset 。
• tf.regex_replace模块使用正则表达式语法提供文本处理。 这样，可以在TensorFlow中直接处理字符串类型的Tensors，这比在Python中或使用第三方字符串库更快。
• 通过tf.contrib.tensorrt模块在TensorFlow中增加了本机TensorRT支持 。 TensorRT是Nvidia的“ 深度学习推理优化器和运行时 ”，它使用Nvidia GPU来提高性能。

TensorFlow 1.6的主要新增功能包括：

• 对预编译二进制文件的更改，现在使用CUDA 9.0和CuDNN 7以及AVX指令集 。 后者的更改可能会破坏TensorFlow团队所说的“较旧的CPU”。 这很可能意味着英特尔的Sandy Bridge和AMD的Bulldozer处理器都在2011年上市。
• XLA现在支持快速傅立叶变换（FFT）功能。
• 现在可以使用Tegra芯片组为Android设备构建CUDA加速的TensorFlow。

TensorFlow 1.5的主要变化包括：

• TensorFlow Lite是针对移动和嵌入式设备优化的TensorFlow版本，可作为开发预览。 为Lite创建的模型会牺牲速度和尺寸的准确性，但是几乎总是可以轻松地弥补准确性的差异。
• XLA线性代数编译器可以对某些TensorFlow计算进行提前或及时优化，它具有多项优化功能。
• tf.contrib模块获得了许多附加功能，例如tf.contrib.bayesflow.layers ，这是一个概率神经网络（PNN）的实现。

TensorFlow 1.4的新增功能包括：

• 使用tf.keras API，您可以使用tf.keras API，这是一个神经网络库，它早于TensorFlow，但很快被它取代。 提供TensorFlow Keras API的主要目的是为了向后兼容，或使其更易于将Keras移植到TensorFlow。
• tf.data或Dataset API提供了一组抽象，用于创建和重用输入管道-从一个或多个源收集的潜在复杂数据集，并根据需要转换每个元素。 如果您要创建需要多次培训通过或其他复杂内部逻辑的工作流，这将非常有用。
• 如果您已经在使用TensorFlow的tf.contrib.data版本（ tf.contrib.data ）中提供的数据API版本，请注意，官方的tf.data API并非完全向后兼容。 TensorFlow的文档还包含有关如何从tf.contrib.data迁移并使用官方tf.data库的其他详细信息。
• 新的train_and_evaluate函数提供了一种在整个集群中以分布式方式运行TensorFlow的Estimator （用于自动配置通用模型参数）的简单方法。
• 现在，TensorFlow的内置调试系统使您可以在调试器的命令行中执行任意Python代码，以进行快速检查或修改。

相关视频：机器学习和AI破译

通过围绕机器学习和人工智能的炒作，我们的小组讨论了该技术的定义和含义。

翻译自: https://www.infoworld.com/article/3237304/whats-new-in-tensorflow-machine-learning.html