TensorFlow 2.0 发布，默认情况下启用Eager Execution

TensorFlow 2.0 发布，默认情况下启用Eager Execution

在6月发布了TensorFlow 2.0测试版之后，Google于周一宣布了其最终版本。该版本与Keras紧密集成，默认情况下启用Eager Execution功能，可将训练性能提高三倍，并提供清理后的API等。

TensorFlow 2.0中的关键更新

更紧密的Keras集成，可提高开发人员的工作效率

TensorFlow 2.0的重要更新之一是它与Keras的紧密集成，Keras是一种流行的高级API，用于轻松快速地进行原型设计，构建和训练深度学习模型。这将使开发人员能够轻松利用其各种模型构建API，包括顺序，功能和子类化。

TensorFlow团队在解释这种变化背后的动机时写道：“通过将Keras确立为TensorFlow的高级API，我们使刚接触机器学习的开发人员可以更轻松地开始使用TensorFlow。单个高级API可以减少混乱，并使我们能够专注于为研究人员提供高级功能。”

默认情况下启用了Eager Execution

在TensorFlow 1.x中，开发人员需要定义一个名为Graph的抽象数据结构，并运行此Graph，他们需要一个称为Session的封装。 TensorFlow 2.0已默认将Eager Execution启用为“eagerly”运行代码，类似于普通的Python代码。

Eager Execution无需构建图形即可实现快速迭代和直观的调试。它还使使用TensorFlow创建和试验模型变得更加容易。当使用tf.keras模型子类化API时，它特别有用。

分发策略API

TensorFlow 2.0中的分发策略API允许机器学习研究人员在各种计算配置中分发培训。这将使他们能够以最少的代码更改“获得出色的开箱即用性能”。此版本还允许使用Keras的model.fit和自定义训练循环进行分布式训练。

GPU的性能提升

TensorFlow 2.0包括多GPU支持以及对多工作人员和Cloud TPU的实验性支持。此版本还对GPU进行了许多性能改进。当在NVIDIA的Volta和Turing GPU上使用混合精度时，它可以保证将训练性能提高三倍。它包括与NVIDIA TensorRT的紧密集成，后者是高性能深度学习推理的平台。

标准化的SavedModel文件格式

通过SavedModel API，您可以将训练有素的ML模型保存为与语言无关的格式。借助TensorFlow 2.0，所有TensorFlow生态系统项目（包括TensorFlow Lite，TensorFlow JS，TensorFlow Serving和TensorFlow Hub）都支持SavedModels。

标准化SavedModel文件格式将使开发人员能够在各种运行时上运行他们的模型，包括云，Web，浏览器，Node.js，移动和嵌入式系统。

该团队写道：“这使您可以使用TensorFlow运行模型，通过TensorFlow Serving部署模型，通过TensorFlow Lite在移动和嵌入式系统上使用它们，并通过TensorFlow.js在浏览器或Node.js中进行训练和运行，”该团队写道。

API简化

TensorFlow 2.0包含许多API更新。为了更好的一致性和清晰度，许多API符号被删除或重命名。另外，为了支持Abseil-py，删除了tf.app，tf.flags和tf.logging API。

这些是TensorFlow 2.0中的一些更新。查看官方公告和发行说明以了解更多详细信息。

Ubuntu 18.04安装Tensorflow(CPU)  https://www.linuxboy.net/Linux/2019-06/158934.htm

Ubuntu 18.04 N卡驱动安装+CUDA10.0+cuDNN7.5+Anaconda+Tensorflow-GPU  https://www.linuxboy.net/Linux/2019-06/158951.htm

linuxboy的RSS地址：https://www.linuxboy.net/rssFeed.aspx

本文永久更新链接地址：https://www.linuxboy.net/Linux/2019-10/160894.htm