TFAPI使用2.0建議

日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度學習實戰（不定時更新）

---

2.5 TFAPI使用2.0建議

學習目標

• 目標
  • 無
• 應用
  • 無

2.5.2 TF2.0最新架構圖

• 飽受詬病TF1.0的API混亂
  • 刪除 queue runner 以支持 tf.data。
  • 刪除圖形集合。
  • API 符號的移動和重命名。
  • tf.contrib 將從核心 TensorFlow 存儲庫和構建過程中移除

TensorFlow 2.0 將專注於 簡單性 和 易用性，具有以下更新：

• 使用 Keras 和 eager execution，輕鬆構建模型
• 在任意平臺上實現生產環境的穩健模型部署
• 爲研究提供強大的實驗工具
• 通過清理廢棄的 API 和減少重複來簡化 API

1、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。

2、使用tf.keras構建、訓練並驗證模型，或者使用Premade Estimators。

• Keras與TensorFlow的其餘部分緊密集成，因此用戶可以隨時訪問TensorFlow的函數。如線性或邏輯迴歸、梯度上升樹、隨機森林等也可以直接使用（使用tf.estimatorAPI實現）。
• 如果不想從頭開始訓練模型，用戶也可以很快利用遷移學習來訓練使用TensorFlow Hub模塊的Keras或Estimator模型。(遷移學習)

3、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）。

4、導出到Saved Model。 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。

工作流程

2.5.3 API

1. 高層API (High level): 包括Estimators、Keras以及預構建好的Premade estimator(如線性迴歸、邏輯迴歸這些、推薦排序模型wide&deep)；
2. 中層API (Mid level): 包括layers, datasets, loss和metrics等具有功能性的函數，例如網絡層的定義，Loss Function，對結果的測量函數等；
3. 底層API (Low level): 包括具體的加減乘除、具有解析式的數學函數、卷積、對Tensor屬性的測量等。