幾天前 提出了一個新版本 機器學習平台的重要 TensorFlow 2.0， 這 提供各種深度機器學習算法的即用型實現， 用於在Python中構建模型的簡單編程接口和用於C ++的低級接口，可用於控制計算圖形的構建和執行。
平台 最初由Google Brain團隊開發，並由Google服務使用 用於語音識別，照片中的面部識別，確定圖像的相似性，在Gmail中過濾垃圾郵件，在Google新聞中選擇新聞並根據含義組織翻譯。
TensorFlow提供了計算機算法庫 通過數據流程圖實現的即用型數字。 此類圖中的節點實現數學運算或入口/出口點，而圖中的邊緣表示在節點之間流動的多維數據集（張量）。
可以將節點分配給計算設備並異步運行，同時同時處理所有合適的張量，從而使您可以類似於在大腦中同時觸發神經元來組織神經網絡中節點的同時操作。
分佈式機器學習系統可以建立在標准設備上，這得益於TensorFlow的內置支持，可將計算擴展到多個CPU或GPU。 TensorFlow可以在多個CPU和GPU上運行（具有可選的CUDA擴展，用於在圖形處理單元上進行通用計算）
TensorFlow在64位Linux，macOS和包括Android和iOS的移動平台上可用。 系統代碼用C ++和Python編寫，並在Apache許可下分發。
TensorFlow 2.0的主要新功能
隨著該新版本的發布，主要關注 簡化和易於使用，例如建立和訓練模型的情況， 提出了新的高級Keras API 它為構建模型（順序，功能，子類）的接口提供了多個選項，可以立即執行模型（無需初步編譯），並具有簡單的調試機制。
添加了tf.distribute.Strategy API來組織分佈式模型培訓只需對現有代碼進行最少的修改。 除了能夠將計算分佈到多個GPU之外，還提供實驗性支持，可用於跨多個獨立處理器拆分學習過程，並具有使用雲TPU（張量處理單元）的能力。
代替編寫通過tf.Session執行的聲明性圖構造模型，可以編寫通用的Python函數，這些函數可以通過調用tf.function轉換為圖，然後進行遠程執行，序列化或優化以提高性能。性能。
已添加 AutoGraph轉換器，可將Python命令流轉換為TensorFlow表達式，它允許您在tf.function，tf.data，tf.distribute和tf.keras函數中使用Python代碼。
SavedModel統一了模型交換格式，並增加了對保存和恢復模型狀態的支持。 TensorFlow的組合模型現在可以在TensorFlow Lite（在移動設備上），TensorFlow JS（在瀏覽器或Node.js中），TensorFlow Serving和TensorFlow Hub中使用。
tf.train.Optimizers和tf.keras.Optimizers API已統一， 代替compute_gradients，已經提出了一個新的GradientTape類來計算梯度。
此外，使用GPU時，此新版本的性能也顯著提高。 在配備NVIDIA Volta和Turing GPU的系統上進行模型訓練的速度提高了三倍。
許多清理API，重命名或刪除了許多調用，中斷了對助手方法中的全局變量的支持。 提出了一個新的absl-py API，而不是tf.app，tf.flags，tf.logging。 為了繼續使用舊的API，已經準備了compat.v1模塊。
如果您想了解更多信息，可以諮詢 以下鏈接。