在今天舉行的 2019 年 TensorFlow 開發(fā)者峰會上，谷歌宣布了其針對研究和生產(chǎn)的開源機器學習庫的一些更新。TensorFlow 2.0 alpha 提供即將發(fā)生的變化的預覽，旨在讓初學者更容易使用 ML。

TensorFlow 2.0 注重易用性，提供有 API 供初學者和資深人士用來創(chuàng)建機器學習模型。在 TensorFlow 2.0 的新功能 和 標準化 Keras 等近期發(fā)布的文章中，我們介紹過它的新功能和平臺的發(fā)展方向。

我們在 TensorFlow 開發(fā)者峰會 上宣布了 TensorFlow 2.0 Alpha 版，用戶現(xiàn)在可以搶先體驗。

注：TensorFlow 開發(fā)者峰 鏈接https://www.tensorflow.org/dev-summit

入門指南

要快速上手 TensorFlow 2.0 Alpha 版，最佳途徑是前往 TensorFlow 的新網(wǎng)站。您可以在 tensorflow.org/alpha 上找到 Alpha 版的教程和指南。Alpha 版文檔中的每個教程均會自動下載并安裝 TensorFlow 2.0 Alpha 版，并且后續(xù)將提供更多內容！

注：tensorflow.org/alpha 鏈接https://www.tensorflow.org/alpha

我們建議您先查看面向初學者和資深人士的 “Hello World” 示例，然后再閱讀 Effective TensorFlow 2.0 等指南。

初學者示例 使用的是 Keras Sequential API，這是最簡單的 TensorFlow 2.0 入門方法。

資深人士示例 展示如何命令式地編寫正向傳遞、如何使用 GradientTape 編寫自定義訓練循環(huán)，以及如何使用 tf.function 自動編譯代碼（僅需一行代碼！）

注：初學者示例 鏈接https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/r2/tutorials/quickstart/beginner.ipynb

資深人士示例 鏈接https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/r2/tutorials/quickstart/advanced.ipynb

除此之外，我們還提供有各類新 指南，包括：

重要的 AutoGraph 指南（讓您能夠獲得圖表的全部性能和可移植性，而無需編寫圖表級代碼）

代碼升級 指南（通過轉換腳本可以方便地將 TensorFlow 1.x 代碼轉換為 2.0 代碼）

其他有關 Keras 的初期指南

注：指南 鏈接https://github.com/tensorflow/docs/tree/master/site/en/r2/guide

AutoGraph 鏈接

https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/autograph.ipynb

Kera 鏈接

https://github.com/tensorflow/docs/tree/master/site/en/r2/guide/keras

若您想要查看更改的內容，也可參閱 API 參考 修訂版（現(xiàn)在符號的使用大大減少）。請注意，雖然我們正在積極開發(fā) TensorFlow 2.0，但 tensorflow.org 的落地頁仍默認為 1.x 文檔。若您打算研究 API 參考，請務必選擇合適的 TensorFlow 版本。

注：API 參考 鏈接

https://www.tensorflow.org/versions/r2.0/api_docs/python/tf

安裝

若要安裝 Alpha 版，我們建議您創(chuàng)建一個新的虛擬環(huán)境并使用 “pip install --upgrade --pre tensorflow” 或 “tensorflow-gpu”（需要 CUDA 10）。我們會較為頻繁地更新此版本，添加新功能。您亦可將 “!” 添加至命令 “!pip install --upgrade --pre tensorflow”，在 Colab 中試用。（以上所有教程和指南均會自動安裝最新版本）。

注：Colab 鏈接https://colab.research.google.com/notebooks/welcome.ipynb#recent=true

函數(shù)，而非會話

下面我們深入介紹 2.0 中的這兩個功能如何協(xié)同工作：Eager execution 與 “@tf.function”。

其中一個最明顯的變化是，TensorFlow 是 “Eager 優(yōu)先”，這意味著 op 在調用后會立即運行。在 TensorFlow 1.x 中，您可能會先構圖，然后通過 “tf.Session.run()” 執(zhí)行圖的各個部分。TensorFlow 2.0 從根本上簡化了 TensorFlow 的使用 — 同樣出色的 op，現(xiàn)在卻更易理解和使用。

a=tf.constant([1,2])b=tf.constant([3,4])print(a+b)#returns:tf.Tensor([46],shape=(2,),dtype=int32)

TensorFlow 2.0 使用 Keras 作為開發(fā)者的核心體驗。在 2.0 中，您可以如常使用 Keras，利用 Sequential API 構建模型，然后使用 “compile” 和 “fit”。tensorflow.org 中所有這些熟悉的 “tf.keras” 示例均可在 2.0 中實現(xiàn) “開箱即用”。

Keras 的 “fit()” 適用于很多情況，但是，需要更高靈活性的開發(fā)者現(xiàn)在可以有更多選擇。我們來看一下 此示例 中以 TensorFlow 2.0 風格編寫的自定義訓練循環(huán)：

deftrain_one_step(model,optimizer,x,y):withtf.GradientTape()astape:logits=model(x)loss=compute_loss(y,logits)grads=tape.gradient(loss,model.trainable_variables)optimizer.apply_gradients(zip(grads,model.trainable_variables))compute_accuracy(y,logits)returnlossdeftrain(model,optimizer):train_ds=mnist_dataset()step=0loss=0.0forx,yintrain_ds:step+=1loss=train_one_step(model,optimizer,x,y)iftf.equal(step%10,0):tf.print('Step',step,':loss',loss,';accuracy',compute_accuracy.result())returnstep,loss,accuracy

注：此示例 鏈接

https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/autograph.ipynb

此示例采用 Autograd 風格的 GradientTape，并通過優(yōu)化器手動應用您的梯度。在編寫具有復雜內部運作的自定義訓練循環(huán)（譬如在強化學習中）或進行研究（輕松幫您落實提高優(yōu)化器效率的新想法）時，這特別有幫助。

“Eager execution” 還有助于調試和監(jiān)控運行中的代碼，您可以使用 Python 調試程序檢查變量、層及梯度等對象。在訓練循環(huán)中，我們使用 “if”、“for” 和 “print()” 等 Python 語句。

一旦代碼運行正常，您便會想要獲得圖表優(yōu)化和效率。為此，您可以利用裝飾器 “@tf.function” 封裝 “train”。“tf.function” 中內置 Autograph，因此您無需任何特殊操作便可獲取以用圖表效率運行的 “if” 或 “for” 子句。

@tf.functiondeftrain(model,optimizer):train_ds=mnist_dataset()step=0loss=0accuracy=0forx,yintrain_ds:#如上所述，包括“if”和“print()”returnstep

這段代碼并不會受注釋影響，但我們會將其編譯到可在 GPU、TPU 上輕松運行的圖表中，或將其保存至 “SavedModel” 留待后用。

針對這對代碼，尤為有趣之處在于，通過在 “@tf.function” 中封裝 “train()”，“train_one_step()”、“compute_loss()” 和 “compute_accuracy()” 也會自動進行轉換。您也可選擇在 “@tf.function” 中僅封裝部分運算，從而獲得所需行為。

此外，TensorFlow 2.0 完全支持 Estimator。請參閱新教程，了解提升樹和模型理解的相關內容。