TensorFlow 2.0 的重大更新功能

前言

TensorFlow 在去年就不断的promote v2.0 版，到底它改善的方向有那些呢? 正式版何时release? 整理一些马路新闻与大家分享。

市占率

近来 TensorFlow 面临 Facebook PyTorch 的强力挑战，PyTorch 的市占率不断攀升，依『Deep Learning Framework Power Scores 2018』分析，从工作需求来看，PyTorch 市占率还是有一段差距(图一)，但是，从专业期刊(ArXiv)论文引用率(图二)，已经产生一些威胁了。

图一. 工作需求比例，图片来源：Deep Learning Framework Power Scores 2018

图二. ArXiv 论文引用率，图片来源：Deep Learning Framework Power Scores 2018

现况比较

PyTorch 攻击 TensorFlow 论点是『TensorFlow 把简单的问题複杂化，而 Keras 把複杂的问题太过简单化』，最明显的例子就是要建立一个『a+b』的运算图，TensorFlow 程式如下：

import tensorflow as tfimport numpy as np# Defining some constant valuesa = tf.constant(5.0, name="a")b = tf.constant(10.0, name="b")# Some basic operationsx = tf.add(a, b, name="add")with tf.Session() as sess:    print("x: ", sess.run(x))# Closing the writer.writer.close()sess.close()

计算个a+b要写十几行，虽然，採取静态运算图(static computational graph)效能较好，但是，程式複杂，而且除错困难，只有在sess.run() 后才能追蹤(trace)侦错，反之，PyTorch 可以直接在模型中使用 Python 语法建立动态模型，相较之下简单多了。

重大更新

因此，TensorFlow 2.0 作了重大的变革，连标题『TensorFlow已死，TensorFlow 2.0长存』(TensorFlow is dead, long live TensorFlow!)的文章也出来了，除了强调『建模简单化』，也延长战线，加强整个开发/布署过程的全面支援，包括分散式的处理。

在『建模简单化』主要有两方面：

Eager execution：不需要建立 session，可直接使用 Python 语法建立模型，TensorFlow 会直接将IF等语法转为运算图，也可以在过程中除错。依据 Keras 规格，改写 Keras 套件功能，直接纳入 TensorFlow 家族，它与独立Keras套件的比较，请参看『Standardizing on Keras: Guidance on High-level APIs in TensorFlow 2.0』，主要强调Keras可与其他API整合(混用)及纳入Eager execution功能。

使用 Eager execution 实践 a+b 的程式码如下，跟写一般Python没甚么差别：

import tensorflow as tfimport numpy as np# 启动 eager execution 模式tf.enable_eager_execution()a = tf.constant([[1, 2],                 [3, 4]])b = tf.add(a, 1)print(a+b)                 

整个开发/布署过程的全面支援的加强，包括：

TensorFlow Serving 模组：可轻易的布署在 HTTP 或 gRPC 协定上，提供线上服务。TensorFlow Lite 模组：加强边缘运算的支援，可布署在手机、Raspberry Pi、Edge TPU 等。TensorFlow.js 模组：提供 Node.js/JavaScript 开发，包括使用类似Keras的API。

上市时程

依据 TensorFlow 官网 v2.0 应该在 2019 Q2 发布，显然时程落后了，到目前为止还是 Beta 版，可参考『这里』，其实，很多功能在目前的版本v1.3已经提供了， 只是在 v2.0 可能会更清楚吧。

结语

TensorFlow 的家族庞大，提供高低阶的API，而且，模组替换很快，有些模组未来就不支援了，在学习时要注意，不要在行将就木的功能上钻研，以免白忙一场。

最后作一点工商广告，有兴趣学TensorFlow的同好，可参考『这里』。