TensorFlow 2提供更快的模型训练

Google TensorFlow有一个新版本，具有更快的模型训练功能，并且已迁移到Keras作为用于构建和训练模型的中央高级API。

TensorFlow是Google的开源工具，可用于广泛的并行计算，包括实现神经网络和其他AI学习方法。它旨在简化神经网络的使用，并且比其他方法更通用，更容易。Keras已在1.4版中添加，但现在已成为中央API。这是一个机器学习框架，它本身就是一个神经网络API。它是用Python编写的，开发时着眼于快速实验。

训练模型性能的提高来自与TensorRT的紧密集成，TensorRT是Nvidia的深度学习推理优化器，通常在ResNet-50和基于BERT的应用程序中使用。Nvidia表示，借助TensorRT和TensorFlow 2.0，开发人员可以将推理速度提高7倍。

Keras紧密集成以及其他改进（包括默认情况下急切执行和Pythonic函数执行）的目的是使TensorFlow对Python开发人员感到熟悉。

TensorFlow中急切的执行意味着可以立即对操作进行评估，而无需构建图：操作返回具体值，而不是构建计算图以便稍后运行。

Pythonic函数执行是指必须通过TensorFlow会话来构建图形并执行该图形的更改。现在不建议使用此方法，而应通过编写常规的Python函数来代替。然后可以将这些功能转换为可以远程执行，序列化和针对性能进行优化的图形。

其他改进意味着开发人员将能够使用分发策略API来以最少的代码更改分发培训。该API支持Keras model.fit以及自定义训练循环的分布式训练。

此版本还对SavedModel文件格式进行了标准化。这意味着您可以在各种运行时上运行模型，包括云，Web，浏览器，Node.js，移动和嵌入式系统。您可以使用TensorFlow运行模型，通过TensorFlow Serving部署模型，通过TensorFlow Lite在移动和嵌入式系统上使用它们，以及通过TensorFlow.js在浏览器或Node.js中进行训练和运行。

TensorFlow 2.0可以在GitHub上下载。