TensorFlow 20新特性解读Keras API成核心.docx

TensorFlow2.0新特性解读，KerasAPI成核心来源|GoogleTensorFlow团队2018年度11月TensorFlow迎来了它的3岁生日我们回首了几年度来它增加的功能进而对另一个重要里程碑TensorFlow2.0感到兴奋TensorFlow2.0将专注于简单性以及易用性具有以下更新使用Keras以及eagerexecution轻松构建模型在任意平台上实现消费环境的稳健模型部署为研究提供强大的实验工具通过清理废弃的API以及减少重复来简化API在过去的几年度里我们为TensorFlow添加了许多组件。在TensorFlow2.0中它们将被打包成一个全面的平台支持从训练到部署的机器学习工作流程。让我们使用如下所示的简化概念图来解析TensorFlow2.0的新架构注上图的训练局部固然侧重于PythonAPI但TensorFlow.js也支持训练模型。也支持其他语言包括SwiftR以及Julia简单的模型构建在最近的文章中我们宣布KerasAPI将成为TensorFlow中构建以及训练模型的核心高级API。KerasAPI使得使用TensorFlow开启工程变得简单。重要的是Keras提供了几个模型构建API(Sequential,Functional,以及Subclassing)因此您可以选择合适的抽象级别。TensorFlow的实现包含多项增强功能包括即时迭代以及直观调试和tf.data用于构建可扩展的输入管道。下面是一个工作流程例如(在接下来的几个月里我们将更新下面所述内容的指南)使用tf.data加载数据。使用输入管道读取训练数据用tf.data创立的输入线程读取训练数据。使用tf.feature_column描绘特征例如嵌套以及特征穿插。还支持从内存数据例如NumPy中方便地输入使用tf.Keras或者PremadeEstimators构建、训练以及验证模型。Keras与TensorFlow的其余局部严密集成因此您可以随时访问TensorFlow的功能。一组标准的打包模型(例如线性或者逻辑回归、梯度增强树、随机森林)可以以直接使用(利用tf.estimatorAPI实现)。假如你不想从头开场训练一个模型你很快就能通过TensorFlowHub的模块利用迁移学习来训练Keras或者Estimator模型使用eagerexecution运行以及调试然后在图形上使用tf.function。TensorFlow2.0在默认情况下以eagerexecution方式运行以便于使用以及顺利调试。此外tf.functionannotation透明地将Python程序转换成TensorFlow图。这个经过保存了1.xTensorFlow基于图形执行的所有优点性能优化、远程执行和轻松序列化、导出以及部署的才能同时增加了使用简单的Python表达程序的灵敏性以及易用性使用分布策略进展分布式训练。对于大型机器学习训练任务来讲DistributionStrategyAPI使得在不更改模型定义的情况下在不同硬件配置上分布以及训练模型变得很容易。由于TensorFlow提供了对CPU、GPU以及TPU等一系列硬件加速器的支持因此可以将训练工作负载分布到单节点/多加速器和多节点/多加速器配置包括TPUPods。固然此API支持各种集群配置但还提供了在本地或者云环境中部署Kubernetes集群训练的模板导出到SavedModel。TensorFlow将在SavedModel上标准化作为TensorFlowServing、TensorFlowLite、TensorFlow.js、TensorFlowHub等的交换格式在任何平台上的消费环境中进展稳健的模型部署TensorFlow始终为消费提供了直接途径。无论是在效劳器、边缘设备或web上无论您使用哪种语言或者平台TensorFlow都可以让您轻松地训练以及部署模型。在TensorFlow2.0中我们通过标准化交换格式以及调整API来进步平台以及组件之间的兼容性以及一致性。一旦您训练并保存了模型就可以直接在应用程序中执行它或使用以下部署库之一为它提供效劳TensorFlowServingTensorFlow库允许模型通过HTTP/REST或者gRPC/协议缓冲区提供效劳TensorFlowLiteTensorFlow针对挪动以及嵌入式设备的轻量级解决方案提供了在Android、iOS以及RaspberryPi以及Edgetpu等嵌入式系统上部署模型的才能TensorFlow.js支持在JavaScript环境中部署模型例如通过Node.js在web阅读器或者效劳器端部署模型。TensorFlow.js还支持用JavaScript定义模型并使用类似于keras的API直接在web阅读器中进展训练TensorFlow还支持其他语言(一些由更广泛的社区维护)包括C,Java,Go,C#,Rust,Julia,R等。为研究提供强大的实验工具TensorFlow使从概念到代码、从模型到发布的新思想变得容易。TensorFlow2.0集成了许多功能可以在不牺牲速度或者性能的情况下定义以及训练最新模型KerasFunctionalAPI以及ModelSubclassingAPI允许创立复杂的拓扑包括使用剩余层、自定义的多输入/输出模型以及强迫写入的正向传递自定义训练逻辑使用tf.GradientTape以及tf.custom_gradient对梯度计算进展细粒度控制为了获得更大的灵敏性以及更好的控制低级别TensorFlowAPI始终可用并与高级别抽象结合在一起以实现完全可定制的逻辑TensorFlow2.0带来了一些新功能允许研究人员以及高级用户使用丰富的扩展(如RaggedTensors,TensorFlowProbability,Tensor2Tensor等)进展实验。除了这些功能外TensorFlow提供eagerexcution便于原型制作以及调试DistributionStrategyAPI以及AutoGraph进展规模化训练,和对TPU的支持,使TensorFlow2.0成为一个易于使用、可定制以及高度可扩展的平台用于进展最先进的机器学习研究并将研究转化为消费流水线。TensorFlow1.x以及2.0的区别自从我们最初开源TensorFlow以来已经有了许多版本以及API迭代。随着机器学习的快速开展该平台得到了极大的开展如今支持具有不同需求的不同用户组合。使用TensorFlow2.0我们有时机清理以及模块化基于语义版本控制的平台。以下是一些较大的变化删除queuerunner以支持tf.data删除图形集合改变变量的处理方式符号的挪动以及重命名此外tf_contrib将从TensorFlow核心存储库以及构建流程中删除。TensorFlow的contrib模块已经超出了单个存储库所能维护以及支持的范围。较大的工程最好单独维护而较小的扩展将逐步过渡到核心TensorFlow代码。一个十分兴趣小组(SIG)已经成立以维持以及进一步开展将来一些更重要的contrib工程。假如您有兴趣奉献请回复此贴s:/github/tensorflow/community/pull/37兼容性以及连续性为了简化向TensorFlow2.0的过渡将有一个转换工具它可以更新TensorFlow1.xPython代码以使用TensorFlow2.0兼容API或标记代码无法自动转换的情况。并非所有更改都可以完全自动完成。例如某些已弃用的API没有直接等效项。这就是我们引入tensorflowpat.v1兼容性模块的原因该模块保存了对完好TensorFlow1.xAPI不包括tf.contrib的支持。该模块将在TensorFlow2.x的生命周期内维护并允许使用TensorFlow1.x编写的代码保持功能。此外SavedModels或者存储的GraphDefs将向后兼容。使用1.x保存的SavedModels将继续在2.x中加载以及执行。但是2.0中的更改将意味着原始检查点中的变量名称可能会更改因此使用2.0之前的检查点而具有已转换为2.0的代码时可能无法保证正常工作。有关详细信息请参阅TensorFlow2.0指南s:/github/tensorflow/docs/blob/master/site/en/r2/guide/effective_tf2.md我们相信TensorFlow2.0将为应用开发带来宏大的好处我们已投入大量精力使转换变得尽可能简单。但是我们也认识到迁过渡当前的线程需要时间我们非常关心社区目前对学习以及使用TensorFlow的投资。我们将在最后的1.x版本中提供12个月的平安补丁以便为现有用户提供充足的时间进展过渡并获得TensorFlow2.0的所有优势。TensorFlow2.0的时间表TensorFlow2.0预览版将于今年度年度初发布。何必要等您已经可以通过使用tf.keras以及eagerexecution预打包模型以及部署库来开发TensorFlow2.0了。DistributionStrategyAPI目前已局部可用。我们对TensorFlow2.0和即将到来的变化感到非常兴奋。TensorFlow已经从一个用于深度学习的软件库成长为一个适用于所有机器学习类型的完好生态系统。TensorFlow2.0将简单易用适用于所有平台上的所有用户。欢送参加TensorFlow社区它不仅帮您解析最新内容还帮助每个人都可以使用机器学习*本文仅代表观点转载请联络原公开课预告全双工语音本期课程中微软小冰全球首席架构师及研发总监周力博士将介绍微软小冰在全双工语音对话方面的最新成果及其在智能硬件上的应用以及将来将面临的更多技术产品挑战。推荐浏览Python的P图大法你值得拥有