正文
刚刚，谷歌在 Tensorflow Developer Summit 2019 大会上发布 TensorFlow 2.0 Alpha 版。虽然在此之前关于 TensorFlow2.0 的众多更新已经放出，但作为当前最为流行的深度学习框架，2.0 Alpha 版的正式发布依旧引人关注。此外，今日谷歌还开源了新的框架与库，发布了两款有趣的开发硬件。还换了 Logo～
![]()
自 2015 年开源以来，TensorFlow 得到了越来越多开发者的认可，成为了当前最受欢迎的深度学习框架之一。据现场介绍，目前为止 TensorFlow 已经被下载超过 4100 万次、提交 5 万多次代码更新、1800 多位贡献者。
![]()
与此同时，这 3 年来深度学习框架之争越来越激烈：Facebook 主推的 PyTorch 成为后起之秀，有力压 TensorFlow 之势；2016 年国内科技巨头百度发布 PaddlePaddle，2018 年底发布的 PaddlePaddle 1.0 版本标志着该框架走向成熟。
不得不说，迫于 PyTorch 的压力，TensorFlow 2.0 有了众多改变，例如 2018 年 9 月份在上海谷歌开发者大会上，机器之心了解到一个重大改变是将会把 Eager Execution 变为 TensorFlow 默认的执行模式。2019 年 1 月份，谷歌上线了 TensorFlow 2.0「开发者预览版」，让开发者们可以尝试使用。
下图展示了近几年 TensorFlow 的版本更新。但今天，TensorFlow 已经成熟为一个完全端到端的生态系统，所以今天发布的 TensorFlow 2.0 标志着一个新时代的开始。
![]()
发布 TF 2.0 Alpha 版
TensorFlow 作为下载量最大的深度学习框架，过去收到了大量的反馈。据介绍，TensorFlow 用户希望能够有更简单的 API、减少冗余、改进文档与示例。因此，TensorFlow 2.0 在设计上注重以下三点：简单、强大、可扩展。
![]()
在简单方面，TensorFlow 2.0 提供更简化的 API、注重
Keras
、结合了
Eager Execution
。通过扩展到 exaflops 级别，TensorFlow2.0 变得更加强大，在同样的稳健性与性能下效率会更高。
TensorFlow 在过去的开发中已经构建了非常多的模块或组件，而 TensorFlow 2.0 则需要对整体工作流组件做极大的优化。下图展示了 TensorFlow 的高层设计架构，这些组件和特征将被打包成一个综合平台，从而支持从训练到部署的整个机器学习工作流程。
![]()
下图展示了 Tensorflow2.0 的强大 API 组件在整个工作流的适配，其中数据导入与处理可调用 tf.data、模型构建可以用便捷高效的 Keras 与 Estimators、训练又会有 Eager 模式和 Autograph 新特性。最后保存的模型还能通过不同的模块部署到云、移动端和网页等等。
![]()
基于这些整体设计，TF 2.0 也在快速成长。工程总监 Rajat Monga 随后宣布，TensorFlow 2.0 Alpha 版今天发布，RC 版将于今年第二季度发布。
![]()
TensorFlow 2.0 Alpha 版新特性
TensorFlow 2.0 的特性主要体现在三方面，即易用性、简洁性与灵活性。其中易用性主要体现在使用 tf.keras 作为高级 API，且将 Eager execution 作为默认模式。如下所示在 2.0 中定义加法运算不再返回节点属性，而是直接返回运算值：
![]()
TensorFlow 一直有很多庞大而冗余的 API 函数，尤其是 contrib 模块里。但在 TF 2.0 中，开发团队做了大量工作来移除重复的 API 函数，并重新组织它们。
此外，tf.contrib 将从核心 TensorFlow 存储库和构建过程中移除。TensorFlow 的 contrib 模块已经超出了单个存储库可以维护和支持的范围。较大的项目最好单独维护，而较小的扩展将逐渐移至核心 TensorFlow 代码。
![]()
尽管 TF 2.0 更关注使用便捷性，但这并不表明会牺牲灵活性。它同样提供完全的底层 API，同样能通过 tf.raw_ops 访问内部 OP。
![]()
此外，这些特性听起来很美好，但 TF 2.0 的向下兼容性同样十分重要。TF 2.0 将增加兼容性模块 tf.compat.v1，以及提供升级 1.X 代码的脚本。在我们使用 pip 安装 TensorFlow 2.0 时，系统会自动添加 tf_upgrade_v2 脚本，它可将现有的 TensorFlow Python 代码转换为 TensorFlow 2.0 代码。
如下所示在升级代码时会自动将 1.X 的 API 换为新的 API，如果 TF2.0 没有对等的 API，那么还能调用 tf.compat.v1 使用 1.X 的兼容 OP。因为 tensorflow.compat.v1 在 TensorFlow 2.x 的时间线内将长期得到维护，我们用 TensorFlow 1.x 编写的代码也能保持功能。
![]()
Eager execution
可能 TensorFlow 2.0 最明显的改变就是将 Eager execution 作为默认优先模式。这表明任何运算在调用后就会立即运行，我们不再需要预先定义静态图，再通过「tf.Session.run()」执行图的各个部分。
a = tf.constant([1, 2])b = tf.constant([3, 4])print(a + b)# returns: tf.Tensor([4 6], shape=(2,), dtype=int32)
此外，Eager execution 还有一个很重要的新特性，即 tf.function 注释可以将 Python 程序转换成 TensorFlow 计算图，所有我们熟悉的 Python 控制流和内置函数等都可以转化为 TensorFlow 计算图。
![]()
这个过程保留了 TensorFlow1.x 基于静态计算图执行的所有优点：性能优化、远程执行，以及序列化、导出和部署的能力，同时增加了用简单 Python 表达程序的灵活性和易用性。因此总体而言，Eager execution 将是 2.0 的核心功能，它会使 TensorFlow 更容易学习和应用。
TF 2.0 当然是 Dev Summit 中的重头戏，但经过一年，很多模块与功能都走向了成熟，其中就包含
TensorFlow.js
。
TensorFlow.js 1.0
2018 年，谷歌发布了 TensorFlow.js，一个在浏览器、节点和其他平台中使用 JS 建立、部署机器学习模型的库。自发布以来，TensorFlow.js 被大量采用，截至目前该库已被下载 30 万次，Github 星标数量超过 1 万，项目贡献者超过 100 个。
![]()
今日，TensorFlow.js 1.0 版本发布，在先前版本的基础上做了许多改进，也添加了许多新特征。1.0 版本包含一个面向图像、文本、语音等常见机器学习任务的现成模型库。此外，TensorFlow.js 1.0 还添加了运行 JS 的更多平台，例如桌面 app、移动端本地的平台等。在性能上，该版本也有极大的改进，例如相比于去年，在浏览器中 MobileNet 的推断速度快了 8 倍。
![]()
TensorFlow.js 1.0 版本项目地址：https://github.com/tensorflow/tfjs/releases
![]()
从研究到产品、从服务器端到移动端，TensorFlow 已经成熟为了一个全面的生态系统。
在 TF 2.0 和 TF.js 之外，现场还介绍了 TensorFlow 新网站，从网页中我们也可以看到谷歌将 TensorFlow 定位为端到端的开源机器学习平台，它添加了更多文档、示例和工具。
不过尴尬的是，直播过程中，小编发现 TensorFlow 新网站 404 了……
![]()
TensorFlow 家族新成员
TensorFlow Federated：针对分散式数据
此外，TensorFlow 还发布了开源框架 TensorFlow Federated（TFF），它适用于分散式数据（decentralized data）上执行机器学习和其他计算。TFF 旨在促进联合学习（Federated Learning，FL）的开放性研究和实验，联合学习是一种机器学习方法，可在多个客户端上训练共享的全局模型，同时在本地保存训练数据。例如，FL 曾被用于训练手机键盘的预测模型，同时不将敏感输入数据加载到服务器上。
![]()
TensorFlow Federated 让开发者能够展示和模拟联合学习系统。如图所示，每部手机在本地训练模型 (A)。它们的更新会汇总到一起 (B)，形成一个改进后的共享模型 (C)。
TFF 可使开发者在自己的模型和数据上模拟使用联邦学习算法，促进对新算法的实验。TFF 提供的构建块还可用于实现非学习计算。TFF 的接口由两个层组成：Federated Learning (FL) API 和 Federated Core (FC) API。FC API 支持针对分散式数据集的各种计算的表达。
