TensorFlow2.0基础、变化、Eager Execution

一、TensorFlow基础

1、Tensor（张量）

张量是矩阵向任意维度的推广，TensorFlow的运算都是基于张量进行的

Tensorflow的基本类型

 零维张量称为“标量”

 

一维张量称为“向量”

 二维张量称为“矩阵”

 2、Flow流

流解释为数据流动或计算，TensorFlow的运作方式是通过产生数据流图来进行运算，又称作“计算图”。计算图的节点用来表示数学运算，边则表示节点间的关联性。图2-5是数学式ReLU(XW+b)的计算图。

二、TensorFlow2.0的变化

Eager Execution

动态图模式表示立即执行的意思,在该模式下执行运算会立即返回数值,让开发者的调试更加便利和快速。

Keras

TensorFlow2.0加入了Keras 作为内建的高级 API后有了更高的兼容性。内建Keras可通过tf.keras方式来调用其功能，具有指令简洁、可以自由组合且容易扩展的模块化API等特性，使得神经网络更容易搭建。

tf.data

使用tf.data建立数据输入管道（Input Pipeline）,速度更快,更简单。

TensorFlow Hub

共享模型权重的Library，可以从 Hub上加载预先训练好的模型 (Model）,也可以将自己训练好的模型上传到Hub,以分享给其他人。

Distribution Strategy

新的 API可用于更加轻松地完成在多台设备上的分布式训练,例如CPU、GPU或TPU。

SavedModel

TensorFlow2.0已经规范好网络模型的存储格式，使我们可以将训练好的网络模型放到想要执行的平台上，例如手机、树莓派或网页，同时也支持不同的程序设计语言，例如C、Java、Go或C#等。

图2-6展示了当前TensorFlow 2.0已经能包办从训练模型到部署模型的流程，即读取数据、训练模型、保存模型以及把模型部署到各种设备的平台上。

三、Eager Execution

TensorFlow2.0引入了 Eager Execution动态图模式，一旦执行运算就会立刻返回数值，这有别于以往的静态图模式，需要建立计算图才能执行。

Eager Execution模式的优点如下:
(1）立即返回数值，方便调试。
(2）不必定义计算图。
(3）不必初始化参数。
(4）无须tf.Session.run 就可以返回运算结果。

1、TensorFlow1.x和TensorFlow2.0的比较

TensorFlow 1.x code

a = tf.constant(1）#建立一个常数Tensor
print(a) #显示Tensor信息
#建立一个Session
sess =tf.Session()
#通过sess.run取数值并显示出来
print( "a = {} ".format (sess.run(a)))
#关闭session释放资源
sess.close()

# 结果如下
Tensor("Const 5:0",shape=(), dtype=int32) #Shape=()表示标量,dtype=int32表示整数
a=1

a = tf.constant(1) #建立一个常数Tensor
print(a) #显示Tensor常数信息,Shape=()表示标量,dtype=int32表示整数

TensorFlow 2.0 code

a = tf.constant(1) #建立一个常数Tensor
print(a) #显示Tensor常数信息,Shape=()表示标量,dtype=int32表示整数

# 结果如下
tf.Tensor(1, shape=(), dtype=int32)

2、TensorFlow基本运算

一维Tensor的运算

 二维Tensor的运算

 将Tensor格式转为NumPy格式