文章目錄
TensorFlow 2.0 preview
關於TensorFlow 2.0 preview,在谷歌開源戰略師 Edd Wilder-James 曾將公開的一封郵件就有介紹，TensorFlow 2.0 預覽版將在今年正式發佈，並稱其是一個重大的里程碑。將會把重點放在易用性上，而 Eager Execution 將會是 TensorFlow 2.0 的核心功能。
注：“Eager Execution”是一個命令式、由運行定義的接口，一旦從 Python 被調用可立即執行操作，這使得
TensorFlow 的入門變得更簡單，也使得研發工作變得更直觀。
TensorFlow 2.0 上線
TensorFlow 2.0 preview終於上線了，看來穩定版距離我們也不會太遠——按照官方說法會是今年的第一個季度。
谷歌表示，在過去幾年裏，TensorFlow 增加了很多組件。通過 TensorFlow 2.0 版本的大幅度重建，這些功能將被打包成爲一個綜合平臺，支持從訓練到部署的整個機器學習工作流程。下圖簡要展示了 TensorFlow 2.0 的新架構：
Note：雖然上圖的訓練部分側重 Python API，但是 TensorFlow.js 也支持訓練模型。TensorFlow 2.0 對其他語言也有不同程度的支持，包括 Swift、R 語言和 Julia。
市場佔有率
全球情況
2.0發佈會還把TensorFlow目前的家底透露了一遍：目前TF在全球已經有超過4100萬的下載次數，社區有超過1800多個貢獻者。
發佈會現場展示一張全球地圖，但是沒有透露中國社區的情況，這怎麼可以？
官方圖
中國概覽
下面是我用中文搜索引擎–百度指數統計通過搜索量數據來側面觀察下兩個主流深度學習框架tensorflow 與pytorch的變化，得到的結果如下圖：
上圖是進一年以來國內的深度學習兩個主流框架tensorflow 與pytorch之間的對比，很明顯的可以看出
tensorflow遠勝於pytorch.尤其在有TF2.0消息公佈後，搜索指數差距拉大了。
從人羣屬性上來說20~29以及 30-39之間的人羣來說，年輕化的人羣更傾向於pytorch，老程序員更傾向於tensorflow。
TensorFlow與PyTorch區別
-
安裝環境
首先在系統上的支持：all in . 不過值得注意的是在2018Pytorch v0.4.0支持windows平臺的。 -
CPU和GPU
TensorFlow 有針對的CPU和GPU安裝模塊，而 PyTorch並不像TensorFlow一樣已經指定好CPU和GPU，如果在項目中想要同時支持GPU和CPU，將會產生更多代碼。 -
安裝過程
基於Anaconda 的兩個深度學習模塊都可以直接通過Pip來安裝。 -
是否適合新手
TensorFlow 1.x與 PyTorch對比來說，個人認爲PyTorch好些，但是在tensorflow 2.0發佈後根據其新特性，Tensorflow 2.0 將於PyTorch不相上下。
下面是具體一些方面的對比：
PyTorch與TensorFlow 1
例如要計算 1 + ½ + ¼ + ⅛ + … ，使用 PyTorch 的代碼明顯比 TensorFlow 簡單：
後來從 TensorFlow 1.4 開始，可以選擇啓動 eager 模式。
在 TensorFlow 2.0, eager execution 是默認的，不需要啓用它：
可以發現eager 模式和 PyTorch 一樣簡單.
- 效果上
個人認爲針對不同需求、不同算法選擇不同，沒有絕對的好與不好。
TensorFlow2.0新特性
下面我們具體來看下2.0版本的新特性：2.0版本具有簡易性、更清晰、擴展性三大特徵，大大簡化API；提高了TensorFlow Lite和TensorFlow.js部署模型的能力；
TensorFlow2.0 Alpha概括一下即：
- 更易用：
諸如tf.keras等高級API將更易於使用；並且Eager execution將成爲默認設置。
- 更清晰：
刪除了重複的功能；不同API的調用語法更加一致、直觀；兼容性更加完善。
- 更靈活：
提供完整的低級API；可在tf.raw_ops中訪問內部操作；提供變量、checkpoint和層的可繼承接口。
主要變化簡要總結
-
API清理
許多API 在TF 2.0中消失或移動。一些主要的變化包括刪除tf.app，tf.flags與 tf.logging，支持開源的 absl-py（Google自己的Python代碼庫）。 -
Eager Execution 將成爲核心功能
可能 TensorFlow 2.0 最明顯的改變就是將 Eager execution 作爲默認優先模式。這表明任何運算在調用後就會立即運行，我們不再需要預先定義靜態圖，再通過「tf.Session.run()」執行圖的各個部分。
# TensorFlow 1.X
outputs = session.run(f(placeholder), feed_dict={placeholder: input})
# TensorFlow 2.0
outputs = f(input)
- 代碼風格以 Keras 爲主
很多函數如 optimizer，loss，metrics 會統合到 Keras 中
- 支持更多的平臺和語言
1.0到2.0過渡
自動過渡
關於代碼轉換：從TensorFlow1.0到2.0過渡我們使用 pip 安裝 TensorFlow 2.0 時，系統會自動添加 tf_upgrade_v2（項目地址） ，它可將現有的 TensorFlow Python 代碼轉換爲 TensorFlow 2.0 代碼。
#使用方法：
!tf_upgrade_v2
# 選擇 input file，輸出 output file
tf_upgrade_v2 --infile foo.py --outfile foo-upgraded.py
# 將整個目錄進行變換
tf_upgrade_v2 --intree coolcode --outtree coolcode-upgraded
兼容方面
爲確保TensorFlow 2.0仍支持您的代碼，升級腳本包含一個compat.v1模塊。該模塊替換TF
1.x符號tf.foo，與等效tf.compat.v1.foo參考一樣。雖然兼容性模塊很好，但我們建議您手動校對替換並將其遷移到tf.命名空間中的新API，而不是tf.compat.v1.。由於TensorFlow
2.x模塊已棄用（例如，tf.flags和tf.contrib），因此切換到compat.v1某些無法解決更改。升級此代碼可能需要使用其他庫（例如absl.flags）或切換到tensorflow
/ addons中的包。
以上來源於官網
小結
TensorFlow 2.0將原有的一個非常強大非常成熟的深度學習庫進行了簡化，重點是以keras爲主，不知大家是否瞭解keras,根據官方標語，它是“爲人類設計，不是爲機器設計的API”。因此他在入門方面將大大優化， 如果你有以下需求，那麼TensorFlow是一個很好的選擇：
- 開發需要部署在移動平臺上的模型
- 想要各種形式的豐富的學習資源（TensorFlow開發課程比較多）
- 想要或需要使用Tensorboard
- 需要大規模的分佈式模型訓練
PyTorch仍然是一個年輕的框架，但其發展速度越來越快。如果你有以下需求，它可能會比較適合你：
- 小規模項目的快速原型開發
- 用於研究
參考文獻
https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/effective_tf2.md
https://tensorflow.google.cn/
https://www.youtube.com/watch?v=WTNH0tcscqo&t=304s