TensorFlow 2.0 Beta 已来，RC 还会远吗？

参与：思源、戴一鸣

来源：机器之心

TensorFlow 2.0 Beta 已来，RC 还会远吗？

TensorFlow 发布以来，已经成为全世界最广泛使用的深度学习库。但 Tensorflow 1.x 时代最广受诟病的问题是：学习门槛较高、API 重复且复杂、模型部署和使用不够方便。之后，谷歌下定决心改变这一问题，在今年早些时候，发布了 Tensorflow 2.0 的 Alpha 版本。Alpha 版本一经问世，便受到深度学习研究者、开发者和在校学生的好评，其简洁的 API 和快速易上手的特性吸引了更多用户的加入。今天，Tensorflow 官方发布了 2.0 时代的 Beta 版本，标志着 Tensorflow 这一经典的代码库进一步成熟。

Tensorflow 今天发布 Tensorflow 2.0 Beta 版本。Tensorflow 官方表示，在 Tensorflow2.0 Alpha 版本发布后，已有超过 130000 名学生加入了 deeplearing.ai 和 Udacity 的相关课程。Github 上则已经收到 128000 颗星和超过 7500 次 fork。

在本次 beta 版本更新后，TensorFlow 团队已经完成了对 2.0 API 的对象重命名和移除工作。现有的 API 已经是最终版本，并且会作为 Tensorflow1.14 版本中的 v2 可兼容模块。同时 Tensorflow2.0 也增加了对 Keras 特性的支持，如简化定制化训练循环 API、增加对大部分硬件的分布式策略的支持等。

Tensorflow 产品生态中的核心组件，如 TensorBoard、TensorHub、TensorFlow Lite、和 TensorFlow.js 可以和 Beta 版本一起使用。但是对 TensorFlow Extended (TFX) 组件和端到端管道的支持工作仍在继续。

在 Alpha 版本发布后，TensorFlow 团队已经解决了超过 100 个 Github 的 issue，并仍对剩余的 issue 进行解决，他们希望开发者能够继续在提供相关的建议和反馈。在 release candidate（RC）版本发布前，TensorFlow 团队会完成云 TPU 和 TPU 对 Keras 模型的支持，继续对 Tensorflow 的表现进行优化，并解决更多用户提出的问题。

TensorFlow 2.0 Beta 到底有什么

如果读者们想体验一番 TF 2.0 Beta，那么直接使用如下的命令安装就行了：

> pip install tensorflow==2.0.0-beta0

但在使用前，我们需要先了解它的一些重要特性。其实，Tensorflow 2.0 版本和核心观点即致力于简单便捷的使用体验。围绕这个核心观点，TF 2.0 Beta 其更新了如下一些特性。

• 使用 Keras 和 eager execution 方便地搭建模型
• 在任何生产平台上都能稳健地部署模型
• 在研究中可以有力支持实验
• 简化、去重，并移除生命周期终结的 API

为了更具体地感受新版特性，以下给出了一些参考资料：

• 在 Tensorflow2.0 Alpha 版本后进行了特性提升和修复。如果用户没有查阅过，可以参考：https://github.com/tensorflow/tensorflow/releases/tag/v2.0.0-alpha0
• 对于从升级 Tenforflow1.x 到 2.0 版本的用户来说，请查阅升级和迁移指南：https://medium.com/tensorflow/upgrading-your-code-to-tensorflow-2-0-f72c3a4d83b5；https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/migration_guide.ipynb
• 官方同时发布了一系列教程和设置指南：https://www.tensorflow.org/beta
• 官方分布了 Tensorflow 2.0 风格指南：https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/effective_tf2.md
• 如果用户需要了解更多社区推动的更新，可以参考 Github 上的文档：https://github.com/tensorflow/community/tree/master/rfcs

新版本亮点

• 分布式训练策略：2.0 版本使用新的 tf.distribute.Strategy API，可以在尽量不改动代码的情况下用于分布式训练模型，达到良好的表现。同时 2.0 版本还支持更多的分布式策略，如对定制化训练循环的支持，以及对 Keras 子类模型的支持。官方发布了一个文档，用于查看这些新的支持（链接：https://www.tensorflow.org/beta/guide/distribute_strategy）。
• API 冻结：完成了 API 中的符号重命名和修改。2.0 中的 API 已经是最终版本，并且会作为 Tensorflow1.14 版本中 compat.v2 模块。所有的变更都可以在这个文档看到（链接：https://docs.google.com/spreadsheets/d/1FLFJLzg7WNP6JHODX5q8BDgptKafq_slHpnHVbJIteQ/edit#gid=0）。

API 变更表示例。

重大更改

• tf.contrib 目前已经完全被移除了，它里面的各种 API 要么移植到了 TensorFlow 的核心 API、要么移到了独立的第三方库 tensorflow_addons、或者完全移除了。
• tf.estimator.DNN/Linear/DNNLinearCombined 系列 API 中的预制 estimator 已经更新了，可以直接使用 tf.keras.optimizers 中的最优化器，而不需要使用以前的 tf.compat.v1.train.Optimizers。如果我们没有将参数传入 optimizer =，或者直接使用字符串调用最优化器，那么预制的 Estimator 将直接使用 Keras 最优化器。

2.0 Beta 实战 Demo

那么 TF 2.0 Beta 版用起来什么感觉呢？TensorFlow 官方提供了一个 Demo 以展示如何用 Beta 版快速处理分类问题。因为整个过程已经通过 API 高度封装了起来，即使我们不懂底层细节，也能快速实现分类模型。

• 官方 Demo 地址：https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/r2/tutorials/keras/basic_classification.ipynb

首先当然是安装 TF 2.0 Beta，并导入库了。注意 tf.contrib 已经正式删除了，且很多 API 都已经并入 Keras 中，所以整个代码有一种浓厚的 Keras 风格。

!pip install tensorflow==2.0.0-beta0

from __future__ import absolute_import, division, print_function, unicode_literals
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt

利用 API 导入 Fashion-MNIST 数据集也是很简单了，目前 tf.keras.datasets 可以导入 MNIST、Cifar-10/100 等视觉数据集，也可以导入 imdb 和 reuters 等 NLP 数据集。

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
 
train_images = train_images / 255.0
test_images = test_images / 255.0

因为使用 Keras 高级 API，搭建和编译模型也非常简单，基本就是调用已有的成熟方法就行了。其中搭建模型架构可以像堆积木那样完成，编译只需要给定最优化器、损失函数和度量方法三个关键要素就行了。

model = keras.Sequential([
 keras.layers.Flatten(input_shape=(28, 28)),
 keras.layers.Dense(128, activation='relu'),
 keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
 loss='sparse_categorical_crossentropy',
 metrics=['accuracy'])

下面，我们可以看看模型训练与评估的风格。没有 tf.Session()、没有 sess.run()、没有各种占位符的 feed_dict，一切都只要简单的一行代码。

model.fit(train_images, train_labels, epochs=10)

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('\nTest accuracy:', test_acc)

训练完模型后，最后就是做推断了：

predictions = model.predict(test_images)

以上是模型最主要的过程，当然 Demo 中间还会有一些展示，例如如何可视化数据或打印训练信息等，感兴趣的读者可查阅原始 Demo。总体而言，如同 TF 2.0 的一贯风格，新版 TensorFlow 力求最简洁、最直观地构建模型。