在本文中我们将对TensorFlow中的一些基本概念做一个简单的介绍，希望进一步了解这些概念及其实现的读者，可以参考官方的白皮书（主要是15年的）以及TensorFlow官网的一些文档。需要注意的是，这些资料中的部分内容对于TensorFlow2.0来说已经不适用了，读者在阅读的时候需要留意。
1. TensorFlow常见基本概念
1.1 计算图
计算图（computation graph）是一个有向图（directed graph），是对TensorFlow中计算任务的抽象描述，也称为数据流图（data flow graph）。TensorFlow使用计算图将计算表示成了独立的指令之间的依赖关系，在计算图中，节点表示计算单元（即一个独立的运算操作），图中的边表示计算使用或产生的数据。在TensorFlow1.x版本中，当我们使用TensorFlow低级API进行编程时，我们首先需要定义好计算图，然后创建TensorFlow会话（session）来执行计算图。
在TensorFlow1.x版本中采用的是静态图机制，我们需要预先定义好计算图，然后再可以反复的调用它（1.x版本有提供Eager Execution接口，让用户可以使用动态图）。TensorFlow2.0则采用了动态图机制（1.x版本的Eager Execution在2.0中成为了默认的执行方式），我们可以像执行普通的python程序一样执行TensorFlow的代码，而不再需要自己预先定义好静态图，调试代码也更加容易。TensorFlow1.x的静态图机制一直被用户所诟病，调整为动态图机制是TensorFlow2.0一个最重大的改进，并且其也提供了一些方法来保留静态计算图的一些优势。
1.2 会话
在1.x版本中，会话（session）是客户端程序与TensorFlow系统进行交互的接口，我们定义好的计算图必须在会话中执行。当会话被创建时会初始化一个空的图，客户端程序可以通过会话提供的“Extend”方法向这个图中添加新的节点来创建计算图，并通过“tf.Session”类提供的“run”方法来执行计算图。大多数情况下我们只需要创建一次会话和计算图，之后我们可以在会话中反复执行整个计算图或者其中的某些子图。
TensorFlow2.0采用了动态图机制，我们不需要在会话中执行计算图了，“tf.Session”类被放到了兼容模块“tensorflow.compat.v1”中，这个模块里有完整的TensorFlow1.x的API。为了保留静态图的优势（例如性能优化和可移植性等），TensorFlow2.0提供了“tf.function”方法，使用“tf.function”修饰的python函数，TensorFlow可以将其作为单个图来运行。
1.3 运算操作和运算核
计算图中的每一个节点就是一个运算操作（operation，通常简称op），每一个运算操作都有名称，并且代表了一种类型的抽象运算，例如“MatMul”代表矩阵的乘法。每个运算操作都可以有自己的属性，但是所有的属性都必须被预先设置，或者能够在创建计算图时根据上下文推断出来。 通过设置运算操作的属性可以让运算操作支持不同的张量（tensor）元素类型，例如让向量加法操作运算只接受浮点类型的张量。运算核（kernel）是一个运算操作在某个具体的硬件（比如CPU或GPU）上的实现，在TensorFlow中可以通过注册机制加入新的运算操作或者为已有的运算操作添加新的运算核。
TensorFlow的部分运算操作
1.4 张量
张量（tensor）可以看作是一个多维的数组或列表，它是对矢量和矩阵的更高维度的泛化，张量由“tf.Tensor”类定义。计算图中的一个运算操作可以获得零个或多个张量作为输入，运算后会产生零个或多个张量输出。这些张量在计算图的边中流动（flow），从一个节点（运算操作）到另一个节点，TensorFlow也因此而得名。
张量具有以下两个属性：
- 数据类型（同一个张量中的每个元素都具有相同的数据类型，例如float32、int32以及string）
- 形状（即张量的维数以及每个维度的大小）
TensorFlow中张量的形状示例
TensorFlow中有一些特殊的张量，以下是一些主要的特殊张量：
- tf.Variable（变量，TensorFlow中的张量一般都不会被持久化保存，参与一次运算操作后就会被丢弃了。变量（variable）是一种特殊的运算操作，它可以将一些需要持久化保存的张量存储在内存或显存中，并会返回一个可以对该变量所引用的张量进行一系列特定操作的句柄，例如Assign和AssignAdd（等同于“+=”）等。模型的参数是保存在变量中的，在模型的训练过程中，参数在不断地更新。变量的值可以修改，但是维度不可以变。）
- tf.constant（常量，常量定义时必须初始化值，且定义后其值和维度不可再改变。）
- tf.placeholder（占位符，在执行“session.run()”方法时传入具体的值，TensorFlow2.0中不再使用，但依然可以在“tensorflow.compat.v1”模块中找到。）
- tf.SparseTensor（稀疏张量）
2. 从1.x到2.0的变化
TensorFlow 2.0在1.x的基础上做了重新设计，重点放在了提升开发人员的工作效率上，确保2.0版本更加的简单易用。TensorFlow 2.0为了提升易用性做了很多改进，例如对API做了精简，删除了冗余的API，使得API更加一致（例如统一了TensorFlow和tf.keras的循环神经网络和优化器等），以及由静态计算图转变为了动态计算图等（这使得代码的编写和调试变得更加容易）。接下来我们看看TensorFlow 2.0的一些主要变化。
2.1. API精简
很多TensorFlow 1.x的API在2.0中被去掉或者改变了位置，还有一些则被新的API给替换掉了。官方提供了一个转换工具，可以用来将1.x版本的代码升级到2.0，其主要的工作其实就是修改这些有变更的API。不过使用该工具不一定能够转换成功，转换成功后的代码也并不一定能够正常运行，很多时候还是需要人工修改。
2.2. Eager execution
Eager execution（动态图机制）是TensorFlow 从1.8版本开始正式加入的，但只是作为一种可选操作，在TensorFlow 2.0之前，TensorFlow默认的模式都是Graph execution（静态图机制），TensorFlow 2.0将Eager execution做为了默认模式。在该模式下用户能够更轻松的编写和调试代码，可以使用原生的Python控制语句，大大降低了学习和使用TensorFlow的门槛。在TensorFlow 2.0中，图（graph）和会话（session）都变成了底层实现，而不需要用户关心了。
2.3. 取消全局变量
TensorFlow 1.x非常依赖隐式全局命名空间。当我们调用“tf.Variable”创建变量时，该变量就会被放进默认的图中，即使我们忘记了指向它的python变量，它也会留在那里。当我们想恢复这些变量时，我们必须知道该变量的名称，如果我们没法控制这些变量的创建，也就无法做到这点。TensorFlow 1.x中有各种机制旨在帮助用户再次找到他们所创建的变量，而在2.0中则取消了所有这些机制，支持默认的机制：跟踪变量。当我们不再用到创建的某个变量时，该变量就会被自动回收。
2.4. 使用函数而不是会话
在TensorFlow 1.x中，我们使用“session.run()”方法执行计算图，“session.run()”方法的调用类似于函数调用：指定输入数据和调用的方法，最后返回输出结果。为了保留静态图的一些优势，例如性能优化以及重用模块化的TensorFlow函数等，在TensorFlow2.0中，我们可以使用“tf.function()”来修饰python函数以将其标记为即时（Just-In-Time）编译，从而TensorFlow可以将其作为单个图来执行。
3. TensorFlow2.0的架构
Tensorflow作为全球最受欢迎、使用最为广泛的机器学习平台之一，在其发展的三年时间里，也是机器学习和人工智能发展最为迅猛的三年。TensorFlow2.0是一个重要的里程碑，其重心放在了简单性和易用性上，尽量降低用户使用的门槛。在TensorFlow成长的这几年里，TensorFlow团队为其添加了许多的组件，在TensorFlow2.0里，这些组件被打包成了一个全面的平台，它支持从训练到部署的标准化的机器学习流程。如图2-1所示是TensorFlow2.0架构的简化概念图。
TensorFlow2.0架构的简化概念图
接下来我们结合上图介绍一下TensorFlow2.0的基本工作流程以及对应可以使用的API，在2.3节里我们会根据TensorFlow的官方文档重点介绍一下“tf.data”和“tf.keras”这两个API，让读者快速入门TensorFlow2.0的使用。其它的API，读者可以结合官方的文档在本书后续的项目实战中慢慢熟悉和掌握。
3.1. 使用tf.data加载数据
我们使用tf.data创建的输入管道来读取训练数据，并可以通过tf.feature_column来指定特征列或者交叉特征。
3.2. 使用tf.keras或Premade Estimators构建、训练和验证模型
tf.keras作为TensorFlow的核心高级API，其已经和TensorFlow的其余部分紧密集成，使用tf.keras可以简单、快捷的构建我们的模型。另外tf.estimator中打包了一些标准的模型供我们直接使用，例如逻辑回归、提升树以及随机森林等。当我们不想从头开始训练一个模型时（例如这个模型的训练可能非常耗时），我们可以使用TensorFlow Hub模块来进行迁移学习。
3.3. 使用eager execution运行和调试模型，以及使用tf.function充分利用计算图的优势
前面已经介绍过，在eager execution模式下，我们可以更加方便的编写和调试代码，在TensorFlow2.0中该模式是默认开启的。我们可以使用tf.function来将python程序转换为TensorFlow的静态计算图，这样就可以保留TensorFlow1.x版本中的静态计算图的一些优势。
3.4. 使用Distribution Strategies进行分布式训练
对于大规模的机器学习训练任务，tf.distribute.Strategy API旨在让用户只需要对现有的模型和代码做最少的更改，就可以实现分布式的训练。TensorFlow支持CPU、GPU以及TPU等硬件加速器，我们可以将训练任务分配到单节点/多加速器以及多节点/多加速器。
3.5. 使用SavedModel存储模型
在TensorFlow中有两种模型存储的格式，一个是检查点（checkpoints），另一个是SavedModel，前者依赖于创建模型的源代码，而后者则与创建模型的源代码无关，因此标准化后的SavedModel可以作为TensorFlow Serving、TensorFlow Lite、TensorFlow.js或者其它编程语言的交换格式。
网友评论