深度学习基础2: tensorflow 2.0 VS 1.x

tensorflow 2.0架构

Tensorflow2.0—简化的模型开发流程

1. 使用tf.data加载数据
2. 使用tf.keras构建模型，也可以使用premade estimator来验证模型；使用tensorflow hub进行迁移学习
3. 使用eager mode继续宁运行和调试（2.0默认开启，而1.3需手动打开）
4. 使用分发策略来进行分布式训练
5. 导出到SavedModel
6. 使用Tensorflow serve、Tensorflow Lite、Tensorflow.js部署模型

Tensorflow2.0—强大的跨平台能力

1. Tensorflow服务：直接使用HTTP/REST或GPRC/协议缓冲区
2. Tensorflow Lite----可部署在Android\iOS和嵌入式系统上
3. Tensorflow.js----在javascript中部署模型
4. 其它语言：C, Java, Go, C#, Rust, R,…

Tensorflow2.0—强大的研究实验

1. Keras功能的API和子类API，允许创建复杂的拓扑结构
2. 自定义训练逻辑，使用tf.GradientTape和tf.custom_gradient进行更细粒度的控制
3. 低层API自始至终可以与高层结合，完全的可定制
4. 高级扩展：Ragged