上周在Sunnyvale舉辦的TensorFlow開發峰會上，Google釋出了最新一版的TensorFlow: 2.0 Alpha版本。
它較原先的1.x版本有什麼改進呢？我們知道作為一個算法研究工具，tensorflow相較于同類型産品，編碼是較為複雜的，需要引入額外的“搭建階段（Construction Phase）”來建立視圖，建立會話，初始化變量等等。同樣是一段計算一串等比數列（1，1/2，1/4...）前50項之和，PyTorch的代碼隻有區區幾行：
而在Tensorflow則要經曆環境和執行階段的建構工作。
結構的複雜性同時會延長前期入門人員的學習曲線及增大後期Debug的排障難度。而在TensorFlow2.0中，産品組從使用者角度出發，簡化了流程，不再需要建立使用者會話，與Python語言更加融合，并統一了API的調用接口。
舉個例子，原來我們要計算兩個數乘積的平方根，需要定義視圖，建立會話，設定變量。
在TensorFlow2.0中，系統省去了建立會話的麻煩。
嗯，快速執行（Eager Execution）看似簡化了編碼的工作，那效率怎樣呢？會比通過使用者會話層互動更快麼？經過TF團隊大量案例的測試，答案是“幾乎一樣快”。我們知道視圖是建立在會話之上的，但是通過優化視圖，使其在接收大量訓練資料的時候仍能保持較高的響應速度。這裡我們可以将一系列算法定義為一個全局函數，以提高處理大量資料的效率。
在TensorFlow建立一個真正的數學模型時，我們知道以往可以通過tf.slim，tf.layers，Keras或者從原始算法開始做複合編譯。TF2.0整合了之前複雜的函數接口，統一了原本形形色色的編譯語言。若要支援上文提到的快速部署，API必須滿足Keras接口标準。在早期需要動辄上百行的模型代碼，現在也隻要了了是幾行就可實作，甚至比PyTorch還要精煉。
此外，TF2.0還支援與TensorBoard的調用互動。
這樣我們在TensorBoard裡可以直覺看到即時的模型訓練情況，适時地調整預期，檢視偏移曲線。
對于任何一款工具的大版本變動，原先的開發人員必定需要花時間重新熟悉和了解，對于新人來說，拿TF2.0作為起步工具勢必直接可以得到事半功倍的效果。
關注公衆号“達摩院首座”，一起開源一起嗨！