TensorFlow 2 快速入门

1、简介

---

TensorFlow 2发布已经接近2年时间，不仅继承了Keras快速上手和易于使用的特性，同时还扩展了原有Keras所不支持的分布式训练的特性。并且TensorFlow 2是真正整合了TensorFlow生态的其它组件，例如TensorFlow Serving、TensorFlow Lite等，这些可以帮助我们提升生产级AI的稳定性和可维护性。并且借助官方文档进行学习可以更加快速地进行学习。

2、设计思想

---

2.1、TensorFlow与Pytorch

PyTorch 采用的是动态图机制 (Dynamic Computational Graph)，而 Tensorflow 采用的是静态图机制 (Static Computational Graph)。

动态图是运算和搭建同时进行，也就是可以先计算前面的节点的值，再根据这些值搭建后面的计算图。优点是灵活，易调节，易调试。PyTorch 里的很多写法跟其他 Python 库的代码的使用方法是完全一致的，没有任何额外的学习成本。

静态图是先搭建图，然后再输入数据进行运算。优点是高效，因为静态计算是通过先定义后运行的方式，之后再次运行的时候就不再需要重新构建计算图，所以速度会比动态图更快。但是不灵活。TensorFlow 每次运行的时候图都是一样的，是不能够改变的，所以不能直接使用 Python 的 while 循环语句，需要使用辅助函数 tf.while_loop 写成 TensorFlow 内部的形式。

2.2、TensorFlow 2 新特性

3大设计原则：简化概念，海纳百川，构建生态

• 简化概念：是相比于TensorFlow 1来说的，TensorFlow 1关注于模型的性能问题，可以自由定义各种算子与模型，牺牲了易用性，2相较于1砍掉了大量的API。
• 海纳百川：吸收了Keras以及Numpy等简单操作的特性。
• 构建生态：TF2的生态很丰富，例如，训练可视化的TensorBoard，部署到云端的TF Serving，到边缘设备的TF Lite。

2.3、TensorFlow 2 核心模块

• 数据处理模块 tf.data & tf.keras
  • 负责数据的管理。
  • 支持多种数据来源：本地文件、分布式文件系统、对象存储系统。
  • 支持多种数据格式。
  • tf.keras在分布式与高性能上有所提升
• 分布式策略模块 tf.distribute
  • 用少量代码把原来的模型变成分布式训练的模型，提供许多的strategy，加速模型训练。
• 模型序列化 saved model
  • 训练完成的模型通过模型保存模块可以保存成多种文件格式，并根据需求部署到不同设备上。