标签：版本 直接 show 加速 ace class 硬件配置 efi dataset
Tensorflow2.0相比于以往版本，有着极大的区别；最明显的区别可以用三字词来概括：更简单，更易用，更强大。
接下来让我们一起见证下不一样的地方吧！
一、使用tf.data加载数据
使用tf.data创建的输入管道读取训练数据；支持从内存（Numpy）方便地输入数据；
二、使用tf.keras构建，训练和验证模型，或使用Premade来验证模型
可以直接标准的打包模型（逻辑回归，随机森林），也可以直接使用（tf.estimator API）
如果不想从头训练模型，可以使用迁移学习来训练一个使用TensorflowHub模块的Kerasa或Estimator模型。
三、取消了会话
例子：计算两个数乘积的平方根
2.0 前版本
1 import tensorflow as tf 2 3 #variables 4 x=tf.placeholder(tf.float32) 5 y=tf.placeholder(tf.float32) 6 7 #graph 8 mean=tf.sqrt(x*y) 9 10 #run the graph 11 with tf.Session() as sess: 12 res = sess.run(mean,feed_dict={x:2,y:8}) 13 print(res)
2.0版本
1 import tensorflow as tf 2 3 #define the inputs 4 x=2.0 5 y=8.0 6 7 #define graph 8 mean=tf.sqrt(x*y) 9 tf.print(mean)
四、使用快速执行（Eager execution）运行和调试，然后使用tf.function
定义一个全局函数
1 import tensorflow as tf 2 3 #define the inputs 4 x=2.0 5 y=8.0 6 7 @tf.function 8 def geometric_mean(x,y): 9 mean=tf.sqrt(x*y) 10 return mean 11 12 mean=geometric_mean(x,y) 13 tf.print(mean)
整合了2.0之前的各种复杂的函数接口，统一了形形色色的编译语言，API满足Keras接口标准
1 impot tensorflow as tf 2 3 (train_images,train_labels),(test_images,test_labels) = tf.keras.datasets.mnist.load_data() 4 5 model = tf.keras.Sequential([ 6 tf.keras.layers.Flatten(input_shape=(28,28)), 7 tf.keras.layers.Dense(512,activation=tf.nn.relu), 8 tf.keras.layers.Dense(10,activation=tf.nn.softmax)]) 9 10 model.compile(optimizer=‘adam‘, 11 loss=‘sparse_categorical_crossentropy‘, 12 metrics=[‘accuracy‘]) 13 14 model.fit(train_images,train_labels,epochs=5)
支持与Tensorboard的调用交互
1 import tensorflow as tf 2 3 data_train,_ = tf.keras.datasets.mnist.load_data() 4 dataset=tf.data.Dataset.from_tensor_slices(data_train) 5 dataset=dataset.shuffle(buffer_size=60000) 6 dataset=dataset.batch(32) 7 8 model=tf.keras.Sequential([ 9 tf.keras.layers.Flatten(input_shape=(28,28)), 10 tf.keras.layers.Dense(512,activation=tf.nn.relu), 11 tf.keras.layers.Dense(10,activation=tf.nn.softmax) 12 ]) 13 14 model.compile(optimizer=‘adam‘, 15 loss=‘sparse_categorical_crossentropy‘, 16 metrics=[‘accuracy‘]) 17 18 tb = tf.keras.callbacks.Tensorboard(log_dir=‘./checkpoints‘) 19 model.fit(dataset,epochs=5,callbacks=[tb])
五、使用分发策略进行分发训练
大型ML训练任务，分发策略API可以在不更改定义的情况下，轻松在不同的硬件配置上分发和训练模型。TF支持一系列硬件加速器，GPU，TPU
六、导出到SavedModel
Tensorflow将在SavedModel上作为Tensorflow服务，Tensorflow Lite，Tensorflow.js，Tensorflow Hub等交换格式进行标准化；
标签：版本 直接 show 加速 ace class 硬件配置 efi dataset
原文地址：https://www.cnblogs.com/jimchen1218/p/11647926.html
