合作专线:17362615757
行业资讯

AI资讯

当前位置:首页 > 行业资讯 > AI资讯

TensorFlow 2.0 Alpha 版本今天发布啦!

【AI科技大本营导语】在今天举行的 2019 年 TensorFlow 开发者峰会上,谷歌宣布了其针对研究和生产的开源机器学习库的一些更新。TensorFlow 2.0 alpha 提供即将发生的变化的预览,旨在让初学者更容易使用 ML。
文 / Wolff Dobson 和 Josh Gordon
TensorFlow 2.0 注重易用性,提供有 API 供初学者和资深人士用来创建机器学习模型。在 TensorFlow 2.0 的新功能 和 标准化 Keras 等近期发布的文章中,我们介绍过它的新功能和平台的发展方向。
我们在 TensorFlow 开发者峰会 上宣布了 TensorFlow 2.0 Alpha 版,用户现在可以抢先体验。

注:TensorFlow 开发者峰 链接

入门指南
要快速上手 TensorFlow 2.0 Alpha 版,最佳途径是前往 TensorFlow 的新网站。您可以在 tensorflow.org/alpha 上找到 Alpha 版的教程和指南。Alpha 版文档中的每个教程均会自动下载并安装 TensorFlow 2.0 Alpha 版,并且后续将提供更多内容!

注:tensorflow.org/alpha 链接

我们建议您先查看面向初学者和资深人士的 “Hello World” 示例,然后再阅读 Effective TensorFlow 2.0 等指南。 
初学者示例 使用的是 Keras Sequential API,这是最简单的 TensorFlow 2.0 入门方法。

资深人士示例 展示如何命令式地编写正向传递、如何使用 GradientTape 编写自定义训练循环,以及如何使用 tf.function 自动编译代码(仅需一行代码!)

注:初学者示例 链接


资深人士示例 链接

除此之外,我们还提供有各类新 指南,包括:
重要的 AutoGraph 指南(让您能够获得图表的全部性能和可移植性,而无需编写图表级代码)

代码升级 指南(通过转换脚本可以方便地将 TensorFlow 1.x 代码转换为 2.0 代码)

其他有关 Keras 的初期指南

注:指南 链接


AutoGraph 链接

Kera 链接
若您想要查看更改的内容,也可参阅 API 参考 修订版(现在符号的使用大大减少)。请注意,虽然我们正在积极开发 TensorFlow 2.0,但 tensorflow.org 的落地页仍默认为 1.x 文档。若您打算研究 API 参考,请务必选择合适的 TensorFlow 版本。

注:API 参考 链接
安装
若要安装 Alpha 版,我们建议您创建一个新的虚拟环境并使用 “pip install --upgrade --pre tensorflow” 或 “tensorflow-gpu”(需要 CUDA 10)。我们会较为频繁地更新此版本,添加新功能。您亦可将 “!” 添加至命令 “!pip install --upgrade --pre tensorflow”,在 Colab 中试用。(以上所有教程和指南均会自动安装最新版本)。
注:Colab 链接

函数,而非会话
下面我们深入介绍 2.0 中的这两个功能如何协同工作:Eager execution 与 “@tf.function”。
其中一个最明显的变化是,TensorFlow 是 “Eager 优先”,这意味着 op 在调用后会立即运行。在 TensorFlow 1.x 中,您可能会先构图,然后通过 “tf.Session.run()” 执行图的各个部分。TensorFlow 2.0 从根本上简化了 TensorFlow 的使用 — 同样出色的 op,现在却更易理解和使用。
a = tf.constant([1, 2])
b = tf.constant([3, 4])

print(a + b)
# returns: tf.Tensor([4 6], shape=(2,), dtype=int32)
TensorFlow 2.0 使用 Keras 作为开发者的核心体验。在 2.0 中,您可以如常使用 Keras,利用 Sequential API 构建模型,然后使用 “compile” 和 “fit”。tensorflow.org 中所有这些熟悉的 “tf.keras” 示例均可在 2.0 中实现 “开箱即用”。
Keras 的 “fit()” 适用于很多情况,但是,需要更高灵活性的开发者现在可以有更多选择。我们来看一下 此示例 中以 TensorFlow 2.0 风格编写的自定义训练循环:
def train_one_step(model, optimizer, x, y):
 with tf.GradientTape() as tape:
   logits = model(x)
   loss = compute_loss(y, logits)

 grads = tape.gradient(loss, model.trainable_variables)
 optimizer.apply_gradients(zip(grads, model.trainable_variables))

 compute_accuracy(y, logits)
 return loss


def train(model, optimizer):
 train_ds = mnist_dataset()
 step = 0
 loss = 0.0
 for x, y in train_ds:
   step += 1
   loss = train_one_step(model, optimizer, x, y)
   if tf.equal(step % 10, 0):
     tf.print('Step', step, ': loss',
               loss, '; accuracy', compute_accuracy.result())
 return step, loss, accuracy
注:此示例 链接
此示例采用 Autograd 风格的 GradientTape,并通过优化器手动应用您的梯度。在编写具有复杂内部运作的自定义训练循环(譬如在强化学习中)或进行研究(轻松帮您落实提高优化器效率的新想法)时,这特别有帮助。
“Eager execution” 还有助于调试和监控运行中的代码,您可以使用 Python 调试程序检查变量、层及梯度等对象。在训练循环中,我们使用 “if”、“for” 和 “print()” 等 Python 语句。
一旦代码运行正常,您便会想要获得图表优化和效率。为此,您可以利用装饰器 “@tf.function” 封装 “train”。“tf.function” 中内置 Autograph,因此您无需任何特殊操作便可获取以用图表效率运行的 “if” 或 “for” 子句。
@tf.function
def train(model, optimizer):
 train_ds = mnist_dataset()
 step = 0
 loss = 0
 accuracy = 0
 for x, y in train_ds:
    # 如上所述,包括 “if” 和“print()”
 return step
这段代码并不会受注释影响,但我们会将其编译到可在 GPU、TPU 上轻松运行的图表中,或将其保存至 “SavedModel” 留待后用。
针对这对代码,尤为有趣之处在于,通过在 “@tf.function” 中封装 “train()”,“train_one_step()”、“compute_loss()” 和 “compute_accuracy()” 也会自动进行转换。您也可选择在 “@tf.function” 中仅封装部分运算,从而获得所需行为。
此外,TensorFlow 2.0 完全支持 Estimator。请参阅新教程,了解提升树和模型理解的相关内容。
注:教程 链接

(本文为AI科技大本营转载文章,转载请联系原作者)
公开课推荐◆今晚8点◆拯救老电影!爱奇艺资深算法工程师蒋紫东老师今晚8点为大家讲解视频/图像增强技术。
推荐阅读:
抵制知网、爱思唯尔,学界苦出版商久矣?
首发 | 旷视14篇CVPR 2019论文,都有哪些亮点?免费报名 | 爱奇艺ZoomAI视频增强技术的应用求职季!你的竞争者都在Github上看这套Python面试题!除了写代码,程序员还能做哪些副业呢?| 程序员有话说调查全球 98,000 名程序员发现,PHP 遭厌弃,前端岗已饱和!虎牙直播在微服务改造方面的实践和总结两会第一天, 大佬们关于区块链的探讨, 你要了解的都在这了为啥程序员下班后只关显示器从不关电脑?                         
Auto_z