tensorflow学习笔记： 1.X 和2.X版本的差异

      近日电脑环境出了点问题，整个重装后tensorflow更新到2.0版本。结果运行以往的程序是抛出了很多bug，走了很多路也踩过很多坑。且行且调试吧。。。

       TensorFlow具有多种语言可用的API，可用于构建和执行TensorFlow图。Python API目前是最完整和最容易使用的，但是其他语言API可能更易于集成到项目中，并且可能在图形执行方面提供一些性能优势。

TensorFlow 2

       TensorFlow 2.0中进行了多项更改，以使TensorFlow用户更加高效。TensorFlow 2.0删除了 冗余API，使API更加一致（统一RNN， 统一优化器），并通过Eager执行更好地与Python运行时集成 。

       许多 RFC 解释了TensorFlow 2.0的变化。

和tensorflow 1相比的重大变化简要

API清理

在TF 2.0中，许多API都已 消失或移动。一些主要的变化包括删除tf.app，tf.flags以及 tf.logging有利于现在开源的 ABSL-PY，重新指定主lgroup是住在项目 tf.contrib，并清理主要tf.*通过移动较少使用的功能到像子包的命名空间tf.math。一些API已替换为自己的2.0当量- tf.summary，tf.keras.metrics和tf.keras.optimizers。自动应用这些重命名的最简单方法是使用v2升级脚本。

Eager execution

TensorFlow 1.X要求用户通过调用API 手动将抽象语法树（图形）拼接在一起 tf.*。然后，它要求用户通过将一组输出张量和输入张量传递给session.run()调用来手动编译抽象语法树。TensorFlow 2.0急切地执行（就像Python通常那样），并且在2.0中，图形和会话应该感觉像实现细节。

急切执行的一个显着副产品tf.control_dependencies()是不再需要，因为所有代码行均按顺序执行（在内tf.function，具有副作用的代码按写入的顺序执行）。

没有更多的全局变量

TensorFlow 1.X严重依赖隐式全局名称空间。当您调用时 tf.Variable()，即使您丢失了指向它的Python变量的跟踪信息，它也将被放入默认图形中，并且将保留在那里。然后，您可以恢复它tf.Variable，但前提是您知道创建该文件的名称。如果您无法控制变量的创建，则很难做到这一点。其结果是，机制各种增殖试图帮助用户重新找到自己的变量，并为框架，以查找用户创建的变量：变量的作用域，全球集合，辅助方法一样tf.get_global_step()，tf.global_variables_initializer()，优化隐式计算在所有训练的变量梯度，并以此类推。TensorFlow 2.0消除了所有这些机制（Variables 2.0 RFC），支持默认机制：跟踪变量！如果您找不到 tf.Variable，则会收集垃圾。

跟踪变量的要求为用户带来了一些额外的工作，但是对于Keras对象（请参见下文），负担最小化。

功能而不是会话

一个session.run()几乎就像一个函数调用：您指定的输入和函数被调用，你回来一组输出。在TensorFlow 2.0中，您可以使用tf.function()来装饰Python函数以将其标记为JIT编译，以便TensorFlow将其作为单个图形运行（Functions 2.0 RFC）。该机制使TensorFlow 2.0能够获得图形模式的所有优势：

• 性能：可以优化功能（节点修剪，内核融合等）
• 可移植性：可以导出/重新导入该函数（SavedModel 2.0 RFC），允许用户重用和共享模块化TensorFlow函数。

# TensorFlow 1.X
outputs = session.run(f(placeholder), feed_dict={placeholder: input})
# TensorFlow 2.0
outputs = f(input)

借助自由散布Python和TensorFlow代码的功能，用户可以利用Python的表现力。但是可移植的TensorFlow在没有Python解释器的上下文中执行，例如移动，C ++和JavaScript。为了帮助用户避免在添加时不得不重写其代码@tf.function， AutoGraph将Python构造的子集转换为其TensorFlow等效项：

• for/ while-> tf.while_loop（break并且continue受支持）
• if -> tf.cond
• for _ in dataset -> dataset.reduce

AutoGraph支持控制流的任意嵌套，这使得可以高效，简洁地实现许多复杂的ML程序，例如序列模型，强化学习，自定义训练循环等。