tensorflow2.0新特性

Tensorflow2.0相比于以往版本，有着极大的区别；最明显的区别可以用三字词来概括：更简单，更易用，更强大。

接下来让我们一起见证下不一样的地方吧！

一、使用tf.data加载数据

        使用tf.data创建的输入管道读取训练数据；支持从内存（Numpy）方便地输入数据；

二、使用tf.keras构建，训练和验证模型，或使用Premade来验证模型

        可以直接标准的打包模型（逻辑回归，随机森林），也可以直接使用（tf.estimator API）

        如果不想从头训练模型，可以使用迁移学习来训练一个使用TensorflowHub模块的Kerasa或Estimator模型。

三、取消了会话

例子：计算两个数乘积的平方根

2.0 前版本

import tensorflow as tf

#variables
x=tf.placeholder(tf.float32)
y=tf.placeholder(tf.float32)

#graph
mean=tf.sqrt(x*y)

#run the graph
with tf.Session() as sess:
     res = sess.run(mean,feed_dict={x:2,y:8})
     print(res)

2.0版本

import tensorflow as tf

#define the inputs
x=2.0
y=8.0

#define graph
mean=tf.sqrt(x*y)
tf.print(mean)

四、使用快速执行（Eager execution）运行和调试，然后使用tf.function

      定义一个全局函数

import tensorflow as tf

#define the inputs
x=2.0
y=8.0

@tf.function
def geometric_mean(x,y):
     mean=tf.sqrt(x*y)
     return mean

mean=geometric_mean(x,y)
tf.print(mean)

      整合了2.0之前的各种复杂的函数接口，统一了形形色色的编译语言，API满足Keras接口标准

impot tensorflow as tf

(train_images,train_labels),(test_images,test_labels) = tf.keras.datasets.mnist.load_data()

model = tf.keras.Sequential([
          tf.keras.layers.Flatten(input_shape=(28,28)),
          tf.keras.layers.Dense(512,activation=tf.nn.relu),
          tf.keras.layers.Dense(10,activation=tf.nn.softmax)])

model.compile(optimizer='adam',
                     loss='sparse_categorical_crossentropy',
                     metrics=['accuracy'])

model.fit(train_images,train_labels,epochs=5)

      支持与Tensorboard的调用交互

import tensorflow as tf

data_train,_ = tf.keras.datasets.mnist.load_data()
dataset=tf.data.Dataset.from_tensor_slices(data_train)
dataset=dataset.shuffle(buffer_size=60000)
dataset=dataset.batch(32)

model=tf.keras.Sequential([
           tf.keras.layers.Flatten(input_shape=(28,28)),
           tf.keras.layers.Dense(512,activation=tf.nn.relu),
           tf.keras.layers.Dense(10,activation=tf.nn.softmax)
])

model.compile(optimizer='adam',
                      loss='sparse_categorical_crossentropy',
                      metrics=['accuracy'])
 
tb = tf.keras.callbacks.Tensorboard(log_dir='./checkpoints')
model.fit(dataset,epochs=5,callbacks=[tb])

五、使用分发策略进行分发训练

      大型ML训练任务，分发策略API可以在不更改定义的情况下，轻松在不同的硬件配置上分发和训练模型。TF支持一系列硬件加速器，GPU，TPU

六、导出到SavedModel

      Tensorflow将在SavedModel上作为Tensorflow服务，Tensorflow Lite，Tensorflow.js，Tensorflow Hub等交换格式进行标准化；