TensorFlow 2.0 Alpha 版发布啦！

【AI科技大本营导语】在今天举行的 2019 年 TensorFlow 开发者峰会上，谷歌宣布了其针对研究和生产的开源机器学习库的一些更新。TensorFlow 2.0 alpha 提供即将发生的变化的预览，旨在让初学者更容易使用 ML。

文 / Wolff Dobson 和 Josh Gordon

TensorFlow 2.0 注重易用性，提供有 API 供初学者和资深人士用来创建机器学习模型。在 TensorFlow 2.0 的新功能 和 标准化 Keras 等近期发布的文章中，我们介绍过它的新功能和平台的发展方向。

我们在 TensorFlow 开发者峰会 上宣布了 TensorFlow 2.0 Alpha 版，用户现在可以抢先体验。

注：TensorFlow 开发者峰 链接
https://www.tensorflow.org/dev-summit

入门指南

要快速上手 TensorFlow 2.0 Alpha 版，最佳途径是前往 TensorFlow 的新网站。您可以在 tensorflow.org/alpha 上找到 Alpha 版的教程和指南。Alpha 版文档中的每个教程均会自动下载并安装 TensorFlow 2.0 Alpha 版，并且后续将提供更多内容！

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

我们建议您先查看面向初学者和资深人士的 “Hello World” 示例，然后再阅读 Effective TensorFlow 2.0 等指南。 

初学者示例 使用的是 Keras Sequential API，这是最简单的 TensorFlow 2.0 入门方法。

资深人士示例 展示如何命令式地编写正向传递、如何使用 GradientTape 编写自定义训练循环，以及如何使用 tf.function 自动编译代码（仅需一行代码！）

注：初学者示例 链接
https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/r2/tutorials/quickstart/beginner.ipynb

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

除此之外，我们还提供有各类新 指南，包括：

重要的 AutoGraph 指南（让您能够获得图表的全部性能和可移植性，而无需编写图表级代码）

代码升级 指南（通过转换脚本可以方便地将 TensorFlow 1.x 代码转换为 2.0 代码）

其他有关 Keras 的初期指南

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

AutoGraph 链接

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

Kera 链接

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

若您想要查看更改的内容，也可参阅 API 参考 修订版（现在符号的使用大大减少）。请注意，虽然我们正在积极开发 TensorFlow 2.0，但 tensorflow.org 的落地页仍默认为 1.x 文档。若您打算研究 API 参考，请务必选择合适的 TensorFlow 版本。

注：API 参考 链接

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

安装

若要安装 Alpha 版，我们建议您创建一个新的虚拟环境并使用 “pip install --upgrade --pre tensorflow” 或 “tensorflow-gpu”（需要 CUDA 10）。我们会较为频繁地更新此版本，添加新功能。您亦可将 “!” 添加至命令 “!pip install --upgrade --pre tensorflow”，在 Colab 中试用。（以上所有教程和指南均会自动安装最新版本）。

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

函数，而非会话

下面我们深入介绍 2.0 中的这两个功能如何协同工作：Eager execution 与 “@tf.function”。

其中一个最明显的变化是，TensorFlow 是 “Eager 优先”，这意味着 op 在调用后会立即运行。在 TensorFlow 1.x 中，您可能会先构图，然后通过 “tf.Session.run()” 执行图的各个部分。TensorFlow 2.0 从根本上简化了 TensorFlow 的使用 — 同样出色的 op，现在却更易理解和使用。

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 作为开发者的核心体验。在 2.0 中，您可以如常使用 Keras，利用 Sequential API 构建模型，然后使用 “compile” 和 “fit”。tensorflow.org 中所有这些熟悉的 “tf.keras” 示例均可在 2.0 中实现 “开箱即用”。

Keras 的 “fit()” 适用于很多情况，但是，需要更高灵活性的开发者现在可以有更多选择。我们来看一下 此示例 中以 TensorFlow 2.0 风格编写的自定义训练循环：

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

注：此示例 链接

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

此示例采用 Autograd 风格的 GradientTape，并通过优化器手动应用您的梯度。在编写具有复杂内部运作的自定义训练循环（譬如在强化学习中）或进行研究（轻松帮您落实提高优化器效率的新想法）时，这特别有帮助。

“Eager execution” 还有助于调试和监控运行中的代码，您可以使用 Python 调试程序检查变量、层及梯度等对象。在训练循环中，我们使用 “if”、“for” 和 “print()” 等 Python 语句。

一旦代码运行正常，您便会想要获得图表优化和效率。为此，您可以利用装饰器 “@tf.function” 封装 “train”。“tf.function” 中内置 Autograph，因此您无需任何特殊操作便可获取以用图表效率运行的 “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

这段代码并不会受注释影响，但我们会将其编译到可在 GPU、TPU 上轻松运行的图表中，或将其保存至 “SavedModel” 留待后用。

针对这对代码，尤为有趣之处在于，通过在 “@tf.function” 中封装 “train()”，“train_one_step()”、“compute_loss()” 和 “compute_accuracy()” 也会自动进行转换。您也可选择在 “@tf.function” 中仅封装部分运算，从而获得所需行为。

此外，TensorFlow 2.0 完全支持 Estimator。请参阅新教程，了解提升树和模型理解的相关内容。

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

（本文为AI科技大本营转载文章，转载请联系原作者）