目錄
1、TensorFlow2.0主要特徵
- tf.keras和eager mode更加簡單
- 魯棒的跨平臺模型部署
- 更加靈活
- 清除不推薦使用的API和減少重複來簡化API
大家也可以看這個
2、架構
該框架分爲兩大部分，左邊爲訓練部分，右邊爲模型部署。
2.1 read &preprocess data
首先，在讀取數據方面，可以使用tf.data加載數據。
使用輸入管道讀取訓練數據，輸入管道使用tf.data創建。利用tf.feature_column描述特徵，如分段和特徵交叉。此外還支持內存數據的便捷輸入（如NumPy）。
之後根據需求對數據進行預處理操作，如數據清洗、歸一化等。
2.2 tf.keras
使用tf.keras構建、訓練並驗證模型。
最近，官方宣佈Keras作爲一個用戶友好的機器學習API標準，將成爲用於構建和訓練模型的高級API。 Keras API讓用戶可以輕鬆開始使用TensorFlow。尤其重要的是，Keras提供了幾個模型構建API（順序，功能和子類），因此您可以爲項目選擇正確的抽象級別。
Keras API使得上手TensorFlow非常容易。重要的是，Keras提供了幾個模型構建API(Sequential、Functional以及Subclassing)，因此用戶可以選擇正確的抽象化(abstraction)級別，TensorFlow的實現包含增強功能，包括eager execution、立即迭代(immediate iteration)和直觀調試(intuitive debugging)，以及tf.data，用於構建可擴展的輸入pipeline。
TensorFlow的實現包含增強功能，包括急切執行，立即迭代和直觀調試，以及tf.data，用於構建可擴展的輸入管道。
2.3 Premade Estimators
- Estimators評估器是TensorFlow用於實現一個完整的模型的最高層表示它可以處理參數初始化、日誌記錄、保存和恢復模型等功能。
- 更詳細的介紹以及API可以戳這裏
- TensorFLow提供了很多的預先寫好的評估器，包括DNNClassifier, DNNRegressor, LinearClassifier.
一開始學習的時候可以直接使用tf提供的這些評估器，有經驗之後也可以自己實現一個。
要使用tf預先寫好的estimator，必須依次完成以下工作：
- 創建一個或多個輸入函數
- 定義模型的特徵列。
- 實例化estimator對象，並指定特徵列和各種超參數。
- 在estimator對象上調用一個或多個方法，傳遞適當的輸入函數作爲數據源。
2.4 distribution strategy
使用分佈式策略進行分佈式訓練。
對於大型機器學習訓練任務，分佈式策略API可以輕鬆地在不同硬件配置上分配和訓練模型，無需更改模型的定義。由於TensorFlow支持各種硬件加速器，如CPU，GPU和TPU，因此用戶可以將訓練負載分配到單節點/多加速器以及多節點/多加速器配置上（包括TPU Pod）。這個API支持多種羣集化配置，也提供了在本地或雲環境中部署Kubernetes羣集訓練的模板。
2.5 SaveModel
TensorFlow將對Saved Model進行標準化，作爲TensorFlow服務的一部分，他將成爲TensorFlow Lite、TensorFlow.js、TensorFlow Hub等格式的可互換格式。
TensorFlow始終爲生產提供了直接部署方式。無論是部署在服務器、邊緣設備還是Web上，TensorFlow都可以讓用戶對模型實現輕鬆訓練和部署。無論用戶使用何種語言或平臺。在TensorFlow 2.0中，我們通過標準化互換格式和API對齊來提高跨平臺和組件的兼容性。
- TensorFlow服務：TensorFlow庫，允許通過HTTP / REST或gRPC /協議緩衝區提供模型。
- TensorFlow Lite：TensorFlow針對移動和嵌入式設備的輕量級解決方案提供了在Android，iOS和嵌入式系統（如Raspberry Pi和Edge TPU）上部署模型的功能。
- TensorFlow.js：允許在JavaScript環境下部署模型，如在Web瀏覽器或服務器端通過Node.js實現部署。TensorFlow.js還支持使用類似Keras的API在JavaScript中定義模型並直接在Web瀏覽器中進行訓練。
- TensorFlow還支持其他語言，包括C，Java，Go，C＃，Rust，Julia，R等。
3、開發流程
4、強大的跨平臺能力
5、 強大的研究實驗
