tensorflow2权重如何修改_高效的TensorFlow 2.0

TensorFlow 2.0中有多处更改，以使TensorFlow用户使用更高效。TensorFlow 2.0删除冗余 APIs,使API更加一致(统一 RNNs,统一优化器),并通过Eager execution模式更好地与Python运行时集成

许多RFCs已经解释了TensorFlow 2.0所带来的变化。本指南介绍了TensorFlow 2.0应该是什么样的开发，假设您对TensorFlow 1.x有一定的了解。

主要变化的简要总结

1.API清理

许多API在tensorflow 2.0中消失或移动。一些主要的变化包括删除tf.app、tf.flags和tf.logging ，转而支持现在开源的absl-py，重新安置tf.contrib中的项目，并清理主要的 tf.*命名空间，将不常用的函数移动到像 tf.math这样的子包中。一些API已被2.0版本等效替换，如tf.summary, tf.keras.metrics和tf.keras.optimizers。自动应用这些重命名的最简单方法是使用v2升级脚本。

2.Eager execution

TensorFlow 1.X要求用户通过进行tf.* API调用，手动将抽象语法树(图形)拼接在一起。然后要求用户通过将一组输出张量和输入张量传递给session.run()来手动编译抽象语法树。TensorFlow 2.0 默认Eager execution模式，马上就执行代码(就像Python通常那样)，在2.0中，图形和会话应该像实现细节一样。

Eager execution的一个值得注意的地方是不在需要tf.control_dependencies() ，因为所有代码按顺序执行(在tf.function中，带有副作用的代码按写入的顺序执行)。

3.没有更多的全局变量

TensorFlow 1.X严重依赖于隐式全局命名空间。当你调用tf.Variable()时，它会被放入默认图形中，保留在那里，即使你忘记了指向它的Python变量。

然后，您可以恢复该tf.Variable，但前提是您知道它已创建的名称，如果您无法控制变量的创建，这很难做到。结果，各种机制激增，试图帮助用户再次找到他们的变量，并寻找框架来查找用户创建的变量：变量范围、全局集合、辅助方法如tf.get_global_step(), tf.global_variables_initializer()、优化器隐式计算所有可训练变量的梯度等等。

TensorFlow 2.0取消了所有这些机制(Variables 2.0 RFC)，支持默认机制：跟踪变量！如果你失去了对tf.Variable的追踪，就会垃圾收集回收。

跟踪变量