代码实例：如何使用 TensorFlow 2.0 Preview - 好文

去年8月13日，谷歌宣布 “TensorFlow 2.0 is coming”，
最近几天，谷歌 TensorFlow 团队刚刚发布了 TensorFlow 2.0 Preview 版，
可以来这里查看： <https://www.tensorflow.org/versions/r2.0/api_docs/python/tf>

现在还不是最终版本，而且可能还不太稳定，不过大家都可以开始尝试，并提出建议和反馈，请查看如何提交报告:
<https://github.com/tensorflow/community/blob/master/governance/tensorflow-testing.md>

本文结构：

* 从 TensorFlow 1.12 到 TensorFlow 2.0 preview 代码转换方法
* TensorFlow 2.0 安装方法
* 为什么要有 TensorFlow 2.0
* TensorFlow 2.0 有哪些新的变化
* 代码：Logistic Regression
<>1. 还有从 TensorFlow 1.12 到 TensorFlow 2.0 preview 的代码转换工具 tf_upgrade_v2，项目地址：
<https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/compatibility>

用法举例：
!tf_upgrade_v2 # 选择 input file，输出 output file tf_upgrade_v2 --infile foo.py
--outfile foo-upgraded.py # 将整个目录进行变换 tf_upgrade_v2 --intree coolcode --outtree
coolcode-upgraded
转换后的结果会保存在 report.txt

<>2. TensorFlow 2.0 preview 的安装方法如下：
# 创建一个名为 python36 的 Python3.6 环境 conda create -n python36 python=3.6 # 进入环境
source activate python36 # 使用 pip 安装 TensorFlow 2.0 Preview： pip install
tf-nightly-2.0-preview # 安装 GPU 版本 pip install tf-nightly-gpu-2.0-preview
<>3. 在 Github 上有一个 TensorFlow 2.0 的教程 repo：
<https://github.com/ageron/tf2_course>

目前有三个练习，

* Neural Nets with Keras：用 tf.keras 进行神经网络的一些基本操作。
* Low-Level TensorFlow API：一些基本的 tensorflow API，如层的定义。
* Loading and Preprocessing Data：一些数据预处理的操作。
<>4. 再来看看为什么要有 TensorFlow 2.0

《Hands-On Machine Learning with Scikit-Learn and TensorFlow》这本书大家应该都知道，它的作者
Aurélien Géron 对这个原因以及有哪些变化做了详细的讲解：
https://www.youtube.com/watch?v=WTNH0tcscqo&t=304s
<https://www.youtube.com/watch?v=WTNH0tcscqo&t=304s>

去年 3 月，Andrej Karpathy 发了一条 twitter，画出了机器学习论文中涉及的深度学习工具：

可以看到：
Caffe, Theano and Torch 趋势下降，
MXNet, CNTK and Chainer 依然很低，
TensorFlow and Keras 上升很快，
因为大多数 Keras 用户使用 TensorFlow 作为后端，所以 TensorFlow 的曲线可能会更高。
同时 PyTorch 也在上升，

1. 因为 TensorFlow 的代码比较麻烦

例如要计算 1 + ½ + ¼ + ⅛ + … ，使用 PyTorch 的代码明显比 TensorFlow 简单：

2. TensorFlow 不容易 debug

例如当得到一个错误的结果时，NaN 或异常，它不会告诉你问题的来源，
当有很多操作时，调试起来会很棘手，
虽然有一个专门的调试器，但并不易使用。

3. graph 模式很难描述

还是上图代码的例子，可以轻松测量 z 的计算时间，但不会告诉你计算 x 和 y 花了多少时间
。
后来从 TensorFlow 1.4 开始，可以使用 eager 模式。

可以发现和 PyTorch 一样简单，简化了编码，调试和分析，
没有 construction phase, execution phase, graphs，sessions，

<>5. TensorFlow 2.0 有哪些变化呢？

* Eager Execution 将成为核心功能
* 代码风格以 Keras 为主
* 删除弃用的 API，减少重复
* 支持更多的平台和语言
* 很多函数如 optimizer，loss，metrics 会统合到 Keras 中，例如： tf.layers → tf.keras.layers
tf.train → tf.keras.optimizers tf.losses → tf.keras.losses
<>1. 在 TensorFlow 2.0, eager execution 是默认的，不需要启用它：

<>2. TensorFlow 支持 eager execution 和 graph mode，同时具有二者的优点：

前面说 graph 模式很难描述，但 graph mode 的好处也很多：

* 可以直接在 GPU 上运行，而不用来回使用 Python 和 CPU，可以显着提高性能。
* 创建了图表就可以使用 XLA 功能，XLA 可以分析图形并在执行速度和内存方面上提高其性能，运行更快，使用内存更少。
* 将模型部署到任何设备上，无论是移动电话还是集群都比较简单。
二者一起使用的方法有：

*
* 下面这个程序以 eager 模式运行，但在with块中，它以 graph 运行：

*
* 有一种混合 eager 和 graph 模式简单方法是在 eager 模式下运行，并使用defun ：
TensorFlow 将自动开始创建图形，会话，提供数据，并获得最终的张量。

*
* 另一种创建 graph 的简单方法是使用新的 autograph 模块。
例如，要写一个 fibonacci（）函数，来计算 fibonacci 数列的第 n 个数字：

这里面包含一个循环，当 autograph 将这个函数转换成 TensorFlow 版本时，它知道当它在图形模式下运行时，应该创建一个使用
TensorFlow 的while_loop（）操作的 graph。

<>3. PyTorch 比较 pythonic，TensorFlow 2.0 也会是 pythonic, object-oriented

以前构建多个模型时，可能会遇到各种名称冲突，需要依赖于 tf.variable_scope（）和tf.get_variable（），比较难理解，而且非常复杂，
在 TensorFlow 2.0 将完全放弃这种方法，避免依赖于全局状态等等。

而且更加面向对象，TF 2.0 将非常依赖 Keras API，共享变量更容易

<>4. 弃用 collections

以前训练模型，创建了一个优化器，要减少损失，但 TensorFlow 如何知道它应该按什么顺序来调整哪些变量？
它需要查找 trainable_variables（）列表才能知道。
这种设计并不理想，它依赖于附加到图表的一组 collections，并且在程序中使用全局状态是不好的。

所以 TensorFlow 2.0 将弃用 collections，代码会更清晰。
如果使用 tf.keras，则每个层都会处理自己的变量，如果需要获取可训练变量的列表，可以直接查询每个层：

<>5. 关于变量

删除 Variable_scopes，必须以面向对象的方式处理变量共享
tf.get_variable（）也被删除，应该使用对象来处理变量
必须传递变量列表给优化器的 “minimize（）” 方法
tf.assign（a，b）将被删除，应该使用 a.assign（b）

<>6. 删除杂乱无章的 API

之前 TensorFlow 包含很多重复的 API 或者不推荐使用的 API，杂乱无章，
例如，可以使用 tf.layers 或 tf.keras.layers 创建图层，这样会造成很多重复和混乱的代码。

TensorFlow 2.0 正在摆脱 tf.layers，应该使用 Keras 层，
keras loss 和 keras metrics 也将基于 tf.losses 和 tf.metrics。，
tf.contrib 的各种项目也已经被合并到 Keras 等核心 API 中，或者移动到单独的项目中，还有一些将被删除。

TensorFlow 2.0 会更好地组织 API，使编码更简洁。

<>6. 下面我们建立一个 Logistic Regression 作为例子：
x_train_ = tf.convert_to_tensor(train_inputs_of_numpy) y_train_ =
tf.convert_to_tensor(train_labels_of_numpy) # Logistic regression model model =
tf.keras.layers.Dense(output_size, activation="sigmoid") # loss function def
loss_fn(model, x, y): predict_y = model(x) # return shape is (x.shape[0], ) ;
each element is each data's loss. return tf.keras.losses.binary_crossentropy(y,
predict_y) def accuracy_fn(model, x, y): predict_y = model(x) # return shape is
(x.shape[0], ) ; each element is 1 or 0.(If y[i] == y_pre[i], the i th element
is 1). return tf.keras.metrics.binary_accuracy(y, predict_y) # optimizer
optimizer = tf.keras.optimizers.SGD(learning_rate=learning_rate) for epoch in
range(num_epochs): with tf.GradientTape() as tape: loss = loss_fn(model,
x_train_, y_train_) grads = tape.gradient(loss, model.variables) accuracy =
accuracy_fn(model=model, x=x_train_, y=y_train_) if (epoch+1) % 5 == 0: print(
"loss: {:0.3f}, acc: {}".format( tf.reduce_sum(loss).numpy(), # using TF
function or numpy method accuracy.numpy().mean() # both of ok. ) ) # update
prameters using grads optimizer.apply_gradients(zip(grads, model.variables))
TensorFlow 2.0 的代码简洁易懂了很多，更容易上手实践，性能提高，有 Keras，Data API，TF Hub，Google 的 TPU
等等资源，还有公开设计审核流程，相信 TensorFlow 2.0 会越来越好玩的。

Enjoy！

学习资料：
https://www.hellocybernetics.tech/entry/2019/01/12/155900
<https://www.hellocybernetics.tech/entry/2019/01/12/155900>
https://qiita.com/tomo_makes/items/9c22f306f1b781e8a7c2
<https://qiita.com/tomo_makes/items/9c22f306f1b781e8a7c2>
https://www.youtube.com/watch?v=WTNH0tcscqo&t=304s
<https://www.youtube.com/watch?v=WTNH0tcscqo&t=304s>

热门工具换一换