3.1.2 TensorFlow 1.x与TensorFlow 2.x的区别

本书中关于TensorFlow的所有例子均是基于TensorFlow 2.x之上的。如果读者没有接触过TensorFlow 1.x，那么也不需要特意去学习TensorFlow 1.x，避免做无用功。作为一经推出就受欢迎的机器学习开源框架，也面临着其他开源框架的竞争，如FaceBook推出PyTorch，由于相对TensorFlow 1.x而言，有很强的易用性，因此一直是TensorFlow的有力竞争者。

所以，2018年，在TensorFlow被推出3年时，Google正式发布了TensorFlow 2.0，抛弃了原有的架构，整合了过去几年中，各领域为TensorFlow贡献的组件，将它们打包为一个综合平台，如图3-4所示，支持了从模型训练到模型部署的整个机器学习流程。

在TensorFlow 2.0中，主要关注简单性与易用性这两方面内容，重点有以下更新。

● 使用Keras作为高层API，配合Eager Execution，使用动态计算图搭建模型，可以快速、轻松地进行模型搭建。

● 增强模型部署能力，训练出模型，可以在其他平台、移动端、嵌入式设备、浏览器端，甚至其他语言平台部署并使用。

● 清理冗余与废弃的API，使整体流程更加清晰，平缓学习曲线。

● 提供更多、更强大的实验工具，为使用者提供方便的调试功能。

下面将介绍TensorFlow 2.x相对于TensorFlow1.0的改变。

1.使用Keras作为高级API

在TensorFlow1.x中，最为人诟病的是，搭建神经网络有许多API可以使用，但使用上都不直观和方便。例如，用户可以选择使用tf.slim，tf.layers，tf.contrib.layers中的一种组装神经网络后，加入session中再进行运行，使得使用者经常困惑和有选择困难，无法区分哪种情况使用哪种API，而且修改网络模型也不方便。Keras作为一个流行的高级深度学习API，可以用非常直观的方式构建深度学习网络，将输入从一个模块传递到下一个模块，其中模块分别代表神经网络中的全连接层、卷积层、池化层等具体网络层。

在TensorFlow 2.0中，Keras成为TensorFlow的官方高级API，与TensorFlow无缝集成，可以被直接使用。这样做的好处就是，当面对一个问题时，如果Keras足以胜任，那么用户可以使用Keras的高级API来快速实现相关功能。如果用户需要做一些特殊处理，则可以使用TensorFlow的API自定义网络的隐藏层。这就在易用性和可定制性之间取得了很好的平衡。

2.默认使用Eager Execution

在TensorFlow最初设计中，要运行一个模型，需要先搭建静态计算图，并加入会话（session），然后调用“session.run()”执行计算机图。这种方式在性能和并发性上都有出色的表现，但是学习曲线较陡，调试也比较困难（因为无法立即和直观观察结果）。而另一个机器学习框架PyTorch则采用了动态图方案，可以让每一步代码都立即得到结果，所以尽管PyTorch的效率不如TensorFlow，但得益于简单、直观的流程与方式，使得PyTorch对于新加入机器学习的学习者来说，更具有吸引力。

所以，在TensorFlow 1.4中，官方团队就引入了Eager Execution（即刻执行）的方式来降低学习难度，在保留高性能的同时，整体体验上模仿PyTorch的便捷性。但当时，这只是作为可选操作，用户可以自主选择是否使用。在TensorFlow 2.0中，正式将已经成熟的Eager Execution作为默认编码方式。

3.精简API

在TensorFlow 1.x中，有一个让人困惑的情况是，面对一个问题，有时候难以确定到底要使用哪个API，因为有非常多的API可以完成类似的功能，这主要是由于以下原因造成的。在TensorFlow 1.x的发展过程中，添加了非常多的API包，同时又有很多API被标注废弃，相同功能的API被反复重命名，导致TensorFlow 1.x的API体系非常复杂和混乱，备受使用者诟病。针对这个弊端，TensorFlow 2.0对API体系进行了彻底更新，大量的冗余API被彻底放弃，或放入其他包中，还有一部分被易用的API替换。这些大刀阔斧的修改使得TensorFlow 2.0更易用，但也不再兼容TensorFlow 1.0代码，TensorFlow官方提供了详尽的升级文档与升级脚本来指导用户升级。

4.使用function替代session

在TensorFlow 2.0中，使用了动态计算图加Eager Execution作为默认机制，并且废弃了session这个概念，使得模型的搭建过程和普通编程方式更为相似。不过，这在使TensorFlow 2.0更易用的同时，也在一定程度上牺牲了执行效率。为了提高运行速度，TensorFlow 2.0引入了tf.function这个概念，使用Python的装饰符＠tf.function可以自动地将函数转换为计算图。这种被转化出来的图，也称为tf.AutoGraph。

5.取消全局变量

TensorFlow 1.x创建的全局变量，在调用tf.Variable()创建时，这个变量会被放到一个默认图中。这就导致对应的变量超过它的生命周期（如在Python中应该被垃圾回收）时，依然会存在于默认图中。当使用人员试图去恢复使用这个变量时，就必须知道变量的名字。在实际模型搭建与训练过程中，TensorFlow的API会自行创建很多变量，而用户无法完全得知这些变量的名字。在TensorFlow1.x中，引入了一些方法来试图解决这个问题，但是没有获得很好的效果。

在TensorFlow 2.0中，摒弃了TensorFlow 1.x中的种种方法，采用变量跟踪机制，使用动处理变量。当TensorFlow不再引用一个变量时，该变量会被自动回收。