上周在Sunnyvale举办的TensorFlow开发峰会上，Google发布了最新一版的TensorFlow: 2.0 Alpha版本。

它较原先的1.x版本有什么改进呢？我们知道作为一个算法研究工具，tensorflow相较于同类型产品，编码是较为复杂的，需要引入额外的“搭建阶段（Construction Phase）”来创建视图，创建会话，初始化变量等等。同样是一段计算一串等比数列（1，1/2，1/4...）前50项之和，PyTorch的代码只有区区几行： 而在Tensorflow则要经历环境和执行阶段的构建工作。 结构的复杂性同时会延长前期入门人员的学习曲线及增大后期Debug的排障难度。而在TensorFlow2.0中，产品组从用户角度出发，简化了流程，不再需要建立用户会话，与Python语言更加融合，并统一了API的调用接口。 举个例子，原来我们要计算两个数乘积的平方根，需要定义视图，创建会话，设定变量。 在TensorFlow2.0中，系统省去了建立会话的麻烦。 嗯，快速执行（Eager Execution）看似简化了编码的工作，那效率怎样呢？会比通过用户会话层交互更快么？经过TF团队大量案例的测试，答案是“几乎一样快”。我们知道视图是建立在会话之上的，但是通过优化视图，使其在接收大量训练数据的时候仍能保持较高的响应速度。这里我们可以将一系列算法定义为一个全局函数，以提高处理大量数据的效率。 在TensorFlow建立一个真正的数学模型时，我们知道以往可以通过tf.slim，tf.layers，Keras或者从原始算法开始做复合编译。TF2.0整合了之前复杂的函数接口，统一了原本形形色色的编译语言。若要支持上文提到的快速部署，API必须满足Keras接口标准。在早期需要动辄上百行的模型代码，现在也只要了了是几行就可实现，甚至比PyTorch还要精炼。 此外，TF2.0还支持与TensorBoard的调用交互。 这样我们在TensorBoard里可以直观看到即时的模型训练情况，适时地调整预期，查看偏移曲线。 对于任何一款工具的大版本变动，原先的开发人员必定需要花时间重新熟悉和了解，对于新人来说，拿TF2.0作为起步工具势必直接可以得到事半功倍的效果。 关注公众号“达摩院首座”，一起开源一起嗨！