TensorFlow 2.0 Alpha 版釋出啦！

【AI科技大本營導語】在今天舉行的 2019 年 TensorFlow 開發者峰會上，谷歌宣佈了其針對研究和生產的開源機器學習庫的一些更新。TensorFlow 2.0 alpha 提供即將發生的變化的預覽，旨在讓初學者更容易使用 ML。

 

文 / Wolff Dobson 和 Josh Gordon

 

TensorFlow 2.0 注重易用性，提供有 API 供初學者和資深人士用來建立機器學習模型。在 TensorFlow 2.0 的新功能 和 標準化 Keras 等近期釋出的文章中，我們介紹過它的新功能和平臺的發展方向。

 

我們在 TensorFlow 開發者峰會 上宣佈了 TensorFlow 2.0 Alpha 版，使用者現在可以搶先體驗。
 

注：TensorFlow 開發者峰 連結
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 的新網站。您可以在 tensorflow.org/alpha 上找到 Alpha 版的教程和指南。Alpha 版文件中的每個教程均會自動下載並安裝 TensorFlow 2.0 Alpha 版，並且後續將提供更多內容！
 

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

 

我們建議您先檢視面向初學者和資深人士的 “Hello World” 示例，然後再閱讀 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 編寫自定義訓練迴圈，以及如何使用 tf.function 自動編譯程式碼（僅需一行程式碼！）
 

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

資深人士示例 連結
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效能和可移植性，而無需編寫圖表級程式碼）
 

程式碼升級 指南（通過轉換指令碼可以方便地將 TensorFlow 1.x 程式碼轉換為 2.0 程式碼）
 

其他有關 Keras 的初期指南
 

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

AutoGraph 連結

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

Kera 連結

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

 

若您想要檢視更改的內容，也可參閱 API 參考 修訂版（現在符號的使用大大減少）。請注意，雖然我們正在積極開發 TensorFlow 2.0，但 tensorflow.org 的落地頁仍預設為 1.x 文件。若您打算研究 API 參考，請務必選擇合適的 TensorFlow 版本。
 

注：API 參考 連結

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

 

安裝

若要安裝 Alpha 版，我們建議您建立一個新的虛擬環境並使用 “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，新增新功能。您亦可將 “!” 新增至命令 “!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 連結
https://colab.research.google.com/notebooks/welcome.ipynb#recent=true

 

函式，而非會話

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

 

其中一個最明顯的變化是，TensorFlow 是 “Eager 優先”，這意味著 op 在呼叫後會立即執行。在 TensorFlow 1.x 中，您可能會先構圖，然後通過 “tf.Session.run()” 執行圖的各個部分。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([4 6], shape=(2,), dtype=int32)

 

TensorFlow 2.0 使用 Keras 作為開發者的核心體驗。在 2.0 中，您可以如常使用 Keras，利用 Sequential API 構建模型，然後使用 “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 “開箱即用”。

 

Keras 的 “fit()” 適用於很多情況，但是，需要更高靈活性的開發者現在可以有更多選擇。我們來看一下 此示例 中以 TensorFlow 2.0 風格編寫的自定義訓練迴圈：

 

def train_one_step(model, optimizer, x, y):
 with tf.GradientTape() as tape:
   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)
 return loss


def train(model, optimizer):
 train_ds = mnist_dataset()
 step = 0
 loss = 0.0
 for x, y in train_ds:
   step += 1
   loss = train_one_step(model, optimizer, x, y)
   if tf.equal(step % 10, 0):
     tf.print('Step', step, ': loss',
               loss, '; accuracy', compute_accuracy.result())
 return step, loss, accuracy

 

60s測試：你是否適合轉型人工智慧？

https://edu.csdn.net/topic/ai30?utm_source=cxrs_bw

注：此示例 連結

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

 

此示例採用 Autograd 風格的 GradientTape，並通過優化器手動應用您的梯度。在編寫具有複雜內部運作的自定義訓練迴圈（譬如在強化學習中）或進行研究（輕鬆幫您落實提高優化器效率的新想法）時，這特別有幫助。

 

“Eager execution” 還有助於除錯和監控執行中的程式碼，您可以使用 Python 除錯程式檢查變數、層及梯度等物件。在訓練迴圈中，我們使用 “if”、“for” 和 “print()” 等 Python 語句。

 

一旦程式碼執行正常，您便會想要獲得圖表優化和效率。為此，您可以利用裝飾器 “@tf.function” 封裝 “train”。“tf.function” 中內建 Autograph，因此您無需任何特殊操作便可獲取以用圖表效率執行的 “if” 或 “for” 子句。

 

@tf.function
def train(model, optimizer):
 train_ds = mnist_dataset()
 step = 0
 loss = 0
 accuracy = 0
 for x, y in train_ds:
    # 如上所述，包括 “if” 和“print()”
 return step

 

這段程式碼並不會受註釋影響，但我們會將其編譯到可在 GPU、TPU 上輕鬆執行的圖表中，或將其儲存至 “SavedModel” 留待後用。

 

針對這對程式碼，尤為有趣之處在於，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 完全支援 Estimator。請參閱新教程，瞭解提升樹和模型理解的相關內容。

 

注：教程 連結
https://github.com/tensorflow/docs/tree/master/site/en/r2/tutorials/estimators

 

（本文為AI科技大本營轉載文章，轉載請聯絡原作者）

 

公開課推薦

◆

今晚8點

◆

拯救老電影！愛奇藝資深演算法工程師蔣紫東老師今晚8點為大家講解視訊/影像增強技術。

 

推薦閱讀：

• 抵制知網、愛思唯爾，學界苦出版商久矣？

• 首發 | 曠視14篇CVPR 2019論文，都有哪些亮點？

• 免費報名 | 愛奇藝ZoomAI視訊增強技術的應用

• 求職季！你的競爭者都在Github上看這套Python面試題！

• 除了寫程式碼，程式設計師還能做哪些副業呢？| 程式設計師有話說

• 調查全球 98,000 名程式設計師發現，PHP 遭厭棄，前端崗已飽和！

• 虎牙直播在微服務改造方面的實踐和總結

• 兩會第一天, 大佬們關於區塊鏈的探討, 你要了解的都在這了

• 為啥程式設計師下班後只關顯示器從不關電腦？