為提高 TensorFlow 的工作效率，TensorFlow 2.0 進行了多項更改，包括刪除了多余的 API，使API 更加一致統一，例如統一的 RNNs (循環神經網絡），統一的優化器，并且Python 運行時更好地集成了 Eager execution 。

許多 RFC 已經對 TensorFlow 2.0 的這些更改給出了解釋。本指南基于您對 TensorFlow 1.x 有一定的了解的前提，為您介紹在 TensorFlow 2.0 中的開發有什么不同。

API 整理

在 TensorFlow 2.0 中，有許多 1.X 的 API 被刪除或移動 了。也有部分 1.X 的 API 被 2.0 版本的等價 API 所替代：tf.summary，tf.keras.metrics 和 tf.keras.optimizers。自動應用這些重命名，最簡單的方法是使用 TensorFlow 2.0 升級腳本。

Eager execution

TensorFlow 1.X 要求用戶通過調用 tf.* API 手動的將抽象語法樹（圖）拼接在一起。然后，它要求用戶將一組輸出張量和輸入張量傳遞給 session.run() 調用，來手動編譯抽象語法樹。相比之下，TensorFlow 2.0 executes eagerly（如正常使用 Python 一樣）在 2.0 的版本中，其 graphs（抽象語法樹）和 sessions 在實現的細節上應該是一樣的。

不再有全局變量

TensorFlow 1.X 非常依賴于隱式全局命名空間。當你調用 tf.Variable 時，它會被放入默認圖中，即使你忘記了指向它的 Python 變量它也會留在那里。這時，您可以恢復該 tf.Variable()，但前提是您得知道它已創建的名稱。如果您無法控制變量的創建，很難做到這一點。因此，各種機制以及尋找用戶創建變量的框架不斷涌現，試圖幫助用戶再次找到他們的變量。

TensorFlow 2.0 取消了所有這些機制（Variables 2.0 RFC），支持默認機制：跟蹤變量！ 如果你不再用到某個 tf.Variable，它就會被回收。

Functions, not sessions

session.run() 的調用幾乎類似于函數調用：指定輸入和要調用的函數，然后返回一組輸出。在 TensorFlow 2.0 中，您可以使用 tf.function() 來修飾 Python 函數以將其標記為 JIT（ Just-In-Time ）編譯，以便 TensorFlow 將其作為單個圖運行（Functions 2.0 RFC）。

這種機制使得 TensorFlow 2.0 擁有圖模式的許多優點：

• 性能：該函數可以被優化，例如節點修剪，內核融合等
• 可移植性：該函數可以導出 / 重新導入（SavedModel 2.0 RFC），允許用戶重用和將 TensorFlow 函數作為模塊共享

# TensorFlow 1.X

outputs = session.run(f(placeholder), feed_dict={placeholder: input})# TensorFlow 2.0

outputs = f(input)

由于能夠自由地穿插 Python 和 TensorFlow 代碼，您能夠充分利用 Python 的表現力。而且，可移植的 TensorFlow 在沒有 Python 解釋器的情況下也可執行。比如：mobile，C ++ 和 JS。避免用戶在添加 @tf.function 時重寫代碼，AutoGraph 會將 Python 構造的一個子集轉換成 TensorFlow 等價物。

TensorFlow 2.0 常用的建議

將代碼重構為更小的函數

TensorFlow 1.X 中的常見使用模式是 “kitchen sink” 策略，即預先列出所有可能計算的并集，然后通過 session.run() 計算選定的張量。在 TensorFlow 2.0 中，用戶應該根據需求將代碼重構為更小的函數。通常情況下，沒有必要用 tf.function 來修飾這些較小的函數；僅使用 tf.function 來修飾高級計算 — 例如，使用只有一個步驟的訓練或使用模型的正向傳遞，將代碼重構為更小的函數。

使用 Keras 層和模型來管理變量

Keras 模型和層提供了方便的變量和 trainable_variables 屬性，以遞歸方式收集所有因變量。這使得本地化管理變量非常方便。

Keras 層 / 模型繼承自 tf.train.Checkpointable 并與 @ tf.function 集成，這使得直接檢查點或從 Keras 對象導出 SavedModel 成為可能。您不一定要使用 Keras 的 fit() API 來集成。

結合 tf.data.Datasets 和 @tf.function

在迭代適合內存的訓練數據時，可以使用常規的 Python 循環。除此之外，tf.data.Dataset 則是從磁盤傳輸訓練數據的***方法。數據集是可迭代的（不是迭代器），工作方式與其他 Python 循環類似。如果您想使用 AutoGraph 的等效圖操作替換 Python 循環，可以通過將代碼包裝在 tf.function() 中，充分利用數據集異步預取 / 流功能來實現。

@tf.function

def train(model, dataset, optimizer):

for x, y in dataset:

with tf.GradientTape() as tape:

prediction = model(x)

loss = loss_fn(prediction, y)

gradients = tape.gradients(loss, model.trainable_variables)

optimizer.apply_gradients(gradients, model.trainable_variables)

如果您使用 Keras.fit() API，則無需擔心數據集迭代。

model.compile(optimizer=optimizer, loss=loss_fn)

model.fit(dataset)

利用 AutoGraph 和 Python 控制流程

AutoGraph 提供了一種將依賴于數據的控制流轉換為圖模式等價的方法，如 tf.cond 和 tf.while_loop。

數據相關控制流常見出現于序列模型中。tf.keras.layers.RNN 包裝了 RNN 單元，允許您靜態或動態地展開循環神經網絡。為了演示，您可以重新實現動態展開，如下所示：

class DynamicRNN(tf.keras.Model):

def __init__(self, rnn_cell):

super(DynamicRNN, self).__init__(self)

self.cell = rnn_cell

def call(self, input_data):

# [batch, time, features] -> [time, batch, features]

input_data = tf.transpose(input_data, [1, 0, 2])

outputs = tf.TensorArray(tf.float32, input_data.shape[0])

state = self.cell.zero_state(input_data.shape[1], dtype=tf.float32)

for i in tf.range(input_data.shape[0]):

output, state = self.cell(input_data[i], state)

outputs = outputs.write(i, output)

return tf.transpose(outputs.stack(), [1, 0, 2]), state

使用 tf.metrics 聚合數據，使用 tf.summary 記錄數據

一套完整的 tf.summary 接口即將發布。您可以使用以下命令訪問 tf.summary 的 2.0 版本：

from tensorflow.python.ops import summary_ops_v2

有關詳細信息，請參閱文末鏈接：

https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/effective_tf2.md