Tensorflow團隊早早就放出了風聲，Tensorflow 2.0就快來了，這是一個重要的里程碑版本，重點放在簡單和易用性上。我對Tensorflow 2.0的到來充滿期待，因此翻譯了這篇Tensorflow團隊釋出的文件：Effective TensorFlow 2.0: Best Practices and What’s Changed。原文地址：https://medium.com/tensorflow/effective-tensorflow-2-0-best-practices-and-whats-changed-a0ca48767aff ，略有刪減。點選閱讀原文可以跳轉到該文章，需要翻牆哦！
在最近的一篇文章中，我們提到，TensorFlow 2.0經過重新設計，重點關注開發人員的工作效率、簡單性和易用性。
要深入瞭解所改變的內容及應用最佳實踐，請檢視新的Effective TensorFlow 2.0指南（釋出在GitHub上）。本文簡要概述那份指南里的內容。如果您對這些主題感興趣，請前往指南瞭解更多資訊！
主要變化概述
TensorFlow 2.0中有許多變化可以提高使用者的工作效率，包括刪除冗餘API、使API更加一致（統一的RNN、統一的優化器），以及Python執行時更好地整合Eager執行。
許多RFC（如果您對它們感到陌生，請檢視它們！）已經解釋了制定TensorFlow 2.0的變化和思考。本指南展現了在TensorFlow 2.0中開發應該是什麼樣的。前提假設您對TensorFlow 1.x有一定的瞭解。
API清理
許多API在TF 2.0中消失或改變位置，有些則被替換為等效的2.0版本 -- tf.summary、tf.keras.metrics和tf.keras.optimizers。自動替換為新方法的最簡單方法是使用v2升級指令碼。
Eager執行
TensorFlow 1.X要求使用者呼叫tf.* API手動將抽象語法樹（圖）拼接在一起。 然後，使用者需要通過將一組輸出張量和輸入張量傳遞給 session.run() 函式呼叫來手動編譯抽象語法樹。相比之下，TensorFlow 2.0立即執行（就像Python通常做的那樣），在tf 2.0中，圖形和會話感覺更像實現細節。
減少全域性變數
TensorFlow 1.X嚴重依賴於隱式全域性名稱空間。呼叫 tf.Variable() 時，它會被放入預設圖形中，它會保留在那裡，即使忘記了指向它的Python變數。然後，您可以恢復該 tf.Variable ，但前提是您知道它已建立的名稱。如果變數的建立不由您掌控，這就很難做到。結果，各種機制激增，試圖幫助使用者再次找到他們的變數。
TensorFlow 2.0取消了所有這些機制（Variables 2.0 RFC），啟用預設機制：跟蹤變數！ 如果您失去了對 tf.Variable 的追蹤，就會被垃圾回收。
函式，而不是會話
session.run() 呼叫幾乎就像一個函式呼叫：指定輸入和要呼叫的函式，然後返回一組輸出。在TensorFlow 2.0中，您可以使用 tf.function() 來修飾Python函式以將其標記為JIT編譯，使得TensorFlow將其作為單個圖執行（Functions 2.0 RFC）。
這種機制允許TensorFlow 2.0獲得圖形模式的所有好處：
- 效能：可以優化函式（節點修剪、核心融合等）
- 可移植性：函式可以匯出/重新匯入（SavedModel 2.0 RFC），允許使用者重用和共享模組化TensorFlow函式。
憑藉自由分發Python和TensorFlow程式碼的能力，您可以充分利用Python的表現力。但是，行動式TensorFlow在沒有Python直譯器上下文時執行 - 移動、C++和JS。為了幫助使用者避免在新增@tf.function時重寫程式碼，* AutoGraph *會將部分Python構造轉換為他們的TensorFlow等價物。
TensorFlow 2.0約定建議
將程式碼重構為更小的函式
TensorFlow 1.X中的常見使用模式是“水槽”策略，其中所有可能的計算的合集被預先排列，然後通過 session.run() 評估選擇的張量。在TensorFlow 2.0中，使用者應將其程式碼重構為較小的函式，這些函式根據需要呼叫。通常，沒有必要用 tf.function 來修飾這些較小的函式，僅使用 tf.function 來修飾高階計算 - 例如，訓練的一個步驟或模型的正向傳遞。
使用Keras圖層和模型來管理變數
Keras模型和圖層提供方便的變數和 trainable_variables 屬性，以遞迴方式收集所有關聯變數，這樣可以輕鬆地將變數本地管理到它們的使用位置。
Keras層/模型繼承自tf.train.Checkpointable並與@ tf.function整合，這使得直接獲得檢查點或從Keras物件匯出SavedModel成為可能。您不一定要使用Keras's.fit()API來進行這些整合。
組合tf.data.Datasets和@tf.function
迭代載入到記憶體的訓練資料時，可以隨意使用常規的Python迭代。否則，tf.data.Dataset是從磁碟傳輸訓練資料的最佳方式。資料集是可迭代的(不是迭代器)，在Eager模式下和其他Python迭代一樣工作。您可以通過將程式碼包裝在tf.function()中來充分利用資料集非同步預取/流特性，它會將Python迭代替換為使用AutoGraph的等效圖形操作。
@tf.function
def train(model, dataset, optimizer):
for x, y in dataset:
with tf.GradientTape() as tape:
prediction = model(x)
loss = loss_fn(prediction, y)
gradients = tape.gradients(loss, model.trainable_variables)
optimizer.apply_gradients(gradients, model.trainable_variables)
複製程式碼如果您使用 Keras.fit() API，則無需考慮資料集迭代。
model.compile(optimizer=optimizer, loss=loss_fn)
model.fit(dataset)
複製程式碼利用AutoGraph和Python控制流程
AutoGraph提供了一種將依賴於資料的控制流轉換為等價圖形模式的方法，如 tf.cond 和 tf.while_loop 。
資料相關控制流通常出現在序列模型。tf.keras.layers.RNN 封裝了RNN單元格，允許您靜態或動態地展開迴圈。處於演示目的，您可以重新實現動態展開，如下所示：
class DynamicRNN(tf.keras.Model):
def __init__(self, rnn_cell):
super(DynamicRNN, self).__init__(self)
self.cell = rnn_cell
def call(self, input_data):
# [batch, time, features] -> [time, batch, features]
input_data = tf.transpose(input_data, [1, 0, 2])
outputs = tf.TensorArray(tf.float32, input_data.shape[0])
state = self.cell.zero_state(input_data.shape[1], dtype=tf.float32)
for i in tf.range(input_data.shape[0]):
output, state = self.cell(input_data[i], state)
outputs = outputs.write(i, output)
return tf.transpose(outputs.stack(), [1, 0, 2]), state
複製程式碼使用tf.metrics聚合資料並用tf.summary來記錄日誌
最後，一套完整的 tf.summary 符號即將推出。您可以使用以下命令訪問 tf.summary 的2.0版本：
from tensorflow.python.ops import summary_ops_v2
複製程式碼下一步
本文提供了Effective TF 2.0指南的簡要（如果您對這些主題感興趣，請到那裡瞭解更多！）要了解有關TensorFlow 2.0的更多資訊，我們還推薦這些近期文章：