TensorFlow 将发布v2.0 — TensorFlow 招牌特性回顾

会员服务 ·

TensorFlow 将发布v2.0 — TensorFlow 招牌特性回顾

2018 年 8 月 17 日 专知

【导读】TensorFlow 2.0要来了，伴随着一些令人期待的改进，但同时也带来了版本上的一些不兼容。本文介绍TensorFlow 2.0即将带来的一些变化，以及老版本TensorFlow中的一些招牌特性。

TensorFlow 2.0的变化

近几天，TensorFlow在Google Group中发布了关于TensorFlow 2.0的消息：

https://groups.google.com/a/tensorflow.org/forum/?utm_medium=email&utm_source=footer#!topic/announce/qXfsxr2sF-0

消息中主要提到了以下几点：

Eager execution will be a central feature of 2.0：动态图模式（eager）是在TensorFlow 1.x中途被加入的，在1.x中仍有一定的不成熟，然而TensorFlow 2.0会将动态图模式（eager）作为一个核心特性。

Support for more platforms and languages：支持更多的平台和语言。

Compatibility and Continuity：由于遵循semantic versioning，一些不合理的接口在1.x中无法进行直接的修改。2.0的发布使得官方有机会来纠正这些错误。TensorFlow官方会提供从1.x代码向2.x代码转换的工具，在TensorFlow 0.x向TensorFlow 1.0升级时官方就提供了类似的工具。然而并不是所有的转换都可以被自动完成，因为有一些1.x中的方法在2.x中并没有等价物。因此，TensorFlow 2.x提供了tensorflow.compat.v1模块，这是一个兼容模块，它包含了TensorFlow 1.x完整的API，并且会在整个TensorFlow 2.x的生命周期中被维护。

On-disk compatibility：对于TensorFlow 2.0沿用了1.x中SavedModels和GraphDefs的内核，并没有对他们做太大的改进，但如果要和2.0版本兼容，1.x版中的checkpoints中的变量名需要做一定的转换。

tf.contrib：在以前的版本中，tf.contrib模块一直和TensorFlow核心代码在一个仓库中维护。TensorFlow 2.0将移除tf.contrib，以独立的extension（扩展）来代替tf.contrib。

TensorFlow历史版本招牌特性

在TensorFlow 2.0到来之前，我们先来回顾一下TensorFlow的历史版本中有哪些招牌特性：

静态图

官方链接：https://www.tensorflow.org/guide/graphs
简介：静态图为TensorFlow带来了执行效率和可移植性。算法工程师用TensorFlow Python API将训练好的静态图保存为模型，开发工程师可以利用C++/Java/Javascript等直接高效地调用训练好的模型。看起来笨拙的静态图实际上为TensorFlow带来了效率和可移植性。

tf.data.Dataset

官方链接：https://www.tensorflow.org/api_docs/python/tf/data/Dataset
简介：tf.data.Dataset提供了强大的数据预处理流水线，例如数据自动shuffle、划分batch等。在静态图模式中，tf.data.Dataset的数据预处理可以被看做静态图的一部分，在动态图模式中，tf.data.Dataset可以被当做强大的Generator，例如我们可以直接用python的for in语句来获取每个batch的数据：

dataset = tf.data.Dataset.from_tensor_slices((data.train.images, data.train.labels))...
...
for (batch, (images, labels)) in enumerate(dataset):
  ...
  xxxx

动态图模式(eager)

官方链接：https://www.tensorflow.org/guide/eager
简介：早期TensorFlow的静态图一直被开发者诟病难以调试，一大波开发者从而转向有动态图的PyTorch，然而TensorFlow在去年推出了动态图模式eager，这是一个革命性的特性，使开发者能够像PyTorch一样使用TensorFlow。另外，TensorFlow的动态图并没有使用独立的API，而是使用和静态图里一样的API，在程序顶部通过一个开关来开启或关闭动态图模型，因此学习和迁移的成本都很低。

x = [[2.]]
m = tf.matmul(x, x)
print("hello, {}".format(m))  # => "hello, [[4.]]"

AutoGraph

官方链接：https://www.tensorflow.org/guide/autograph
简介：想构建静态图却又想像动态图那样编写代码，可以试试autograph注解。在动态图一样写法的函数上加上@autograph.convert()注解，就可以将其转换为实际的静态图构建函数。既能享受静态图在模型发布等上的优势，又可以像编写动态图那样方便地控制图的结构。

@autograph.convert()
def nearest_odd_square(x):
  if x > 0:
    x = x * x
    if x % 2 == 0:
      x = x + 1
  return x

with tf.Graph().as_default():  
  with tf.Session() as sess:
    print(sess.run(nearest_odd_square(tf.constant(4))))
    print(sess.run(nearest_odd_square(tf.constant(5))))
    print(sess.run(nearest_odd_square(tf.constant(6))))