TensorFlow Lite 开发手册（1）——TensorFlow 2.0安装

（一） TensorFlow 2.0安装

创建虚拟环境：

conda create --name py36-tf20 python=3.6
conda activate py36-tf20

目前conda源尚已维护至2.0版本，可以使用conda命令安装：

# 安装CPU版本
conda install tensorflow

# 安装GPU版本，CUDA支持请查看TensoFlow官网
conda install tensorflow-gpu

（二） TensorFlow 2.0 新特性简介

• API Cleanup
  移除了许多库，如tf.app，tf.logging，tf.flags等，将原有的函数库整合进了tf.keras，如tf.layers->tf.keras.layers

• Eager execution
  在2.0中，动态图机制成为默认机制，不再需要用户手动创建会话，也不需要使用 sess.run() 来指定输入输出的张量。

• No more globals
  不再依赖隐式全局命名空间，即不再依赖tf.Variable()来声明变量，而是采用默认机制：“ Keep track of your variables!”，如果不再追溯某个tf.Variable，其就会被回收。

• Functions, not sessions（个人认为是很重要、也很厉害的一点）
  在2.0中提供了名为 @tf.function() 的装饰器，它可以对普通的Python函数进行标记以进行JIT编译，然后TensorFlow就可以将其作为单一的计算图来运行，这使得该函数可以直接被优化和作为模型导出。并且为了帮助用户在添加**@tf.function时避免重写代码，AutoGraph将python中的一些函数转换为其TensorFlow**包含的等价函数：

  for/while -> tf.while_loop (break and continue are supported)
  if -> tf.cond
  for _ in dataset -> dataset.reduce

• 个人补充
  在2.0中，Keras被全面整合，Google也推荐大家使用tf.keras更高效构建模型，并且使用tf.data构建数据流（有关tf.data使用的流程可以参照我的博客https://blog.csdn.net/weixin_42499236/article/category/8331677），而tf.keras保存的模型也可以直接被转换为TensorFlow Lite模型，所以还是用Keras比较好。