TensorFlow2.0

TensorFlow1.x VS TensorFlow2.x

TF1	TF2
session.run()	Eager Execution
全局化，所有的参数都会被记录下来	不再全局化，不适用的参数会被清理
session.run()	Eager Execution
session	function
API混乱	API清理

Tensor Flow2删除了冗余的API，使API更加一致(统一RNN，统一优化器)，并通过EagerExecution更好的与python运行时集成。

*用Eager模式搭建原型
*用tf.data处理数据
*用tf.feature_column提取特征
*用tf.keras搭建模型
*用tf.saved_model打包模型

什么是EagerExecution？

eager模式就是类似于python这样的命令行式编程。写好程序后，不需要编译，就可以直接运行了，而且非常直观。
而之前的session静态图模式则类似于c/c++式的声明式编程，写好程序后要编译再运行

好处：

1.不需要编写完整的静态图
2.调试不需要打开会话(session)
3.python上调用它进行计算，可以直接得出结果

缺点：

通过graph构造的模型再分布式训练，性能优化以及线上部署有优势。

推荐使用@tf.function(而非tf1.x中的session)实现Graph Execution，从而将模型转换为易于部署且高性能的TensorFlow图模型