AI前线导读： 对于最流行的机器学习框架来说，TensorFlow 2.0将是一个重要的里程碑：大量的更改即将到来，所有的一切都以人人可以使用ML为目标。但是，这些更改要求老用户完全重新学习如何使用框架：本文介绍了1.x和2.x版本之间的所有（已知的）差异，主要是思维方式的改变，并着重介绍了新实现的优缺点。

更多干货内容请关注微信公众号“AI 前线”（ID：ai-front）

对于最流行的机器学习框架来说，TensorFlow 2.0将是一个重要的里程碑：大量的更改即将到来，所有的一切都以人人可以使用ML为目标。但是，这些更改要求老用户完全重新学习如何使用框架：本文介绍了1.x和2.x版本之间的所有（已知的）差异，主要是思维方式的改变，并着重介绍了新实现的优缺点。

对于新手来说，本文也是一个很好的起点：现在就开始以TensorFlow 2.0的方式思考，这样你就不必重新学习一个新的框架（除非TensorFlow 3.0发布）。

TensorFlow 2.0：为什么？何时？

TensorFlow 2.0的核心思想是使TensorFlow更易于学习和应用。

在公告邮件列表中，谷歌大脑工程师Martin Wicke对TensorFlow 2.0做了初步介绍。简而言之：

Eager Execution将是2.0的核心特性。它将用户对编程模型的期望与TensorFlow实践更好地结合起来，使TensorFlow更易于学习和应用。
支持更多的平台和语言，通过交换格式的标准化和API的对齐，改进这些组件之间的兼容性和对等性。
删除弃用的API并减少重复，避免给用户带来混乱。
公开的2.0设计过程：社区现在可以与TensorFlow开发人员合作，使用Tensor F low讨论组讨论新特性。
兼容性和延续性：提供一个与TensorFlow 1.x兼容的模块，这意味着TensorFlow 2.0将有一个包含所有TensorFlow 1.x API的模块。
On-disk兼容性：TensorFlow 1.x中导出的模型（检查点和冻结模型）将与TensorFlow 2.0兼容，只需要重命名某些变量。
tf.contrib：完全删除。大型的维护中的模块将移动到独立的存储库；未使用和未维护的模块将被删除。

实际上，如果你是一个TensorFlow新手，那么你很幸运。如果像我一样，从0.x版本开始使用TensorFlow，那么必须重写所有的代码库（与从0.x向1.x转换不同，更改的地方特别多）；不过，TensorFlow的作者声称，将会发布一个转换工具来帮助转换。然而，转换工具并不完美，需要人工干预。

此外，你必须改变你的思维方式；这很有挑战性，但每个人都喜欢挑战，不是吗？

让我们面对这个挑战，从第一个巨大的差异开始详细查看这次新版本设计的更改：删除tf.get_variable、f.variable_scope、tf.layers和强制转换为基于Keras的方法，使用tf.keras。

请注意，发布日期还没有确定。但是，从TensorFlow讨论组中，我们知道，2018年底发布可能会发布一个预览版本，2.0的正式版本可能会在2019年春天发布。

因此，最好是在RFC被接受后立即更新所有现有的代码库，以便顺利过渡到这个新的TensorFlow版本。

Keras（OOP）与TensorFlow 1.x比较

“RFC：TensorFlow 2.0中的变量”已经被接受。这个RFC可能是对现有代码库影响最大的一个，而且，TensorFlow的老用户需要换一种新的思维方式。

正如文章“使用Go来理解 Tensor F low”中描述的那样，每个变量在计算图中都有一个唯一的名称。

作为一个早期的TensorFlow用户，我习惯于按照以下模式设计我的计算图：

哪些操作连接了变量节点？将图定义为多个连接的子图。为了定义不同图的变量，在单独的tf.variable_scope中定义每个子图。在不同的范围内定义子图，可以在Tensorboard中得到一个清晰的图表示。
在相同的执行步骤中，我是否需要多次使用子图？为了避免创建一个以_n为前缀的新图，一定要利用tf.variable_scope的reuse参数。
图已经定义了？创建变量初始化op（看看tf.global_variables_initializer()调用了多少次？）
把图加载到Session中并运行。

在我看来，示例“如何在TensorFlow中实现简单的GAN”可以更好地说明这些步骤的合理性。

通过GAN了解TensorFlow 1.x

GAN判别器D必须使用tf.variable_scope reuse参数定义，因为，我们希望首先给D提供真样本，然后提供假样本，最后计算D相关参数的梯度。

相反，生成网络G在一次迭代中从未使用两次，因此，不需要担心其变量重用。

def generator(inputs):
    """生成器网络
    Args:
        inputs: 一个(None, latent_space_size) tf.float32张量
    Returns:
        G: 生成器输出节点
    """a
    with tf.variable_scope("generator"):
        fc1 = tf.layers.dense(inputs, units=64, activation=tf.nn.elu, name="fc1")
        fc2 = tf.layers.dense(fc1, units=64, activation=tf.nn.elu, name="fc2")
        G = tf.layers.dense(fc1, units=1, name="G")
    return G

def discriminator(inputs, reuse=False):
    """判别器网络
    Args:
        inputs: 一个(None, 1) tf.float32张量
        reuse: Python布尔值, 说明是希望重用（True）还是声明（False）
    Returns:
        D: 判别器输出节点
    """
    with tf.variable_scope("discriminator", reuse=reuse):
        fc1 = tf.layers.dense(inputs, units=32, activation=tf.nn.elu, name="fc1")
        D = tf.layers.dense(fc1, units=1, name="D")
    return D

当调用这两个函数时，在默认图中定义了两个不同的子图，每个子图都有自己的作用域（生成器或判别器）。请注意，这个函数返回的是定义子图的输出张量，而不是图本身。

为了共用D图，我们定义了2个输出（真和假），并定义了训练G和D所需的损失函数。

# 定义真输入，一组从真实数据的抽样值
real_input = tf.placeholder(tf.float32, shape=(None,1))
# 定义判别器网络及其参数
D_real = discriminator(real_input)

# 任意大小的噪声先验向量
latent_space_size = 100
# 定义输入噪声，定义生成器
input_noise = tf.placeholder(tf.float32, shape=(None,latent_space_size))
G = generator(input_noise)

# 现在，我们已经定义了生成器输出G，我们可以把它提供给D的输入
# `discriminator`的这个调用不会定义一个新图，但会**重用**之前定义的变量

最后要做的只是定义训练D和G所需的2个损失函数和2个优化器。

D_loss_real = tf.reduce_mean(
    tf.nn.sigmoid_cross_entropy_with_logits(logits=D_real, labels=tf.ones_like(D_real))
)

D_loss_fake = tf.reduce_mean(
    tf.nn.sigmoid_cross_entropy_with_logits(logits=D_fake, labels=tf.zeros_like(D_fake))
)

# D_loss：当第一次调用时会使用D_loss_real做一次前向传递
# 然后使用D_loss_fake再做一次，共享同样的D参数。
D_loss = D_loss_real + D_loss_fake

G_loss = tf.reduce_mean(
    tf.nn.sigmoid_cross_entropy_with_logits(logits=D_fake, labels=tf.ones_like(D_fake))
)

损失函数很容易定义。对抗式训练的特点是首先要用真样本和由G生成的样本对D进行训练，然后用D评估的结果作为输入信号对对抗性的G进行训练。

对抗性训练的这两个训练步骤需要单独运行，但是，我们在同一个图中定义了模型，我们不想在训练D时更新G变量，反之亦然。

这样，由于我们在默认图中定义了每个变量，所以每个变量都是全局的，我们必须使用两个不同的列表获得正确的变量，并确保定义了优化器，以便计算梯度，并仅对恰当的子图应用更新。

# 获得D和G变量
D_vars = tf.trainable_variables(scope="discriminator")
G_vars = tf.trainable_variables(scope="generator")

# 定义优化器和训练操作
train_D = tf.train.AdamOptimizer(1e-5).minimize(D_loss, var_list=D_vars)
train_G = tf.train.AdamOptimizer(1e-5).minimize(G_loss, var_list=G_vars)

好了，我们到了第三步，图定义最后要做的是定义变量初始化op：

init_op = tf.global_variables_initializer()

优点 / 缺点

图已经正确定义，当在训练循环和会话中使用时，它可以正常工作。然而，从软件工程的角度来看，有一些特性值得注意：

使用上下文管理器tf.variable_scope更改由tf.layers定义的变量的（完整）名称：在不同的变量作用域内，对tf.layers.* 方法的相同调用会在不同的变量作用域内定义一组新的变量。
布尔标识reuse可以完全改变tf.layers.*方法任何调用的行为（定义或重用）。
每个变量都是全局的： tf.layers调用tf.get_variable（在tf.layers内部使用）定义的变量可以从任何地方访问：上面使用tf.trainable_variables(prefix)来获得两个变量列表就是对这种情况的一个很好说明。
定义子图并不简单：只是调用discriminator并不能获得一个新的、独立的判别器。有点违反直觉。
子图定义的返回值不是其唯一的输出向量，其中也没有包含图的所有信息（虽然可以追溯到输入，但并不简单）。
定义变量初始化op太无趣（但这刚刚通过 tf.train.MonitoredSession和tf.train.MonitoredTrainingSession得到了解决）。

这6条大概全是缺点。

我们使用TensorFlow 1.x的方式定义了GAN：下面让我们迁移到TensorFlow 2.0。

通过GAN了解TensorFlow 2.x

如前一节所述，在TensorFlow 2.x中，思维方式改变了。tf.get_variable、tf.variable_scope、tf.layers被移除并强制转换为基于Keras的方法，使用tf.keras会迫使TensorFlow开发人员改变其思维方式。

我们必须使用tf.keras定义生成器G和判别器D：这将为我们提供变量共享特性，我们曾经使用该特性来定义D，但是底层实现的方式不同。

请注意：tf.layers将被移除，因此，请现在就开始使用tf.keras定义你的模型，这是为2.x做准备所必须的。

def generator(input_shape):
    """生成器王国
    Args:
        input_shape：期望的输入形状（如: (latent_space_size)）
    Returns:
        G：生成器模型
    """
    inputs = tf.keras.layers.Input(input_shape)
    net = tf.keras.layers.Dense(units=64, activation=tf.nn.elu, name="fc1")(inputs)
    net = tf.keras.layers.Dense(units=64, activation=tf.nn.elu, name="fc2")(net)
    net = tf.keras.layers.Dense(units=1, name="G")(net)
    G = tf.keras.Model(inputs=inputs, outputs=net)
    return G

def discriminator(input_shape):
    """判别器网络
    Args:
        input_shape：期望的输入形状（如: (latent_space_size)）
    Returns:
        D：判别器模型
    """
    inputs = tf.keras.layers.Input(input_shape)
    net = tf.keras.layers.Dense(units=32, activation=tf.nn.elu, name="fc1")(inputs)
    net = tf.keras.layers.Dense(units=1, name="D")(net)
    D = tf.keras.Model(inputs=inputs, outputs=net)
    return D

看下该方法的不同：生成器和判别器都返回一个tf.keras.Model，而不仅仅是一个输出张量。

这意味着，使用Keras，我们可以实例化我们的模型，并在源代码的不同部分使用相同的模型，我们可以有效地使用模型变量，而无需定义以_n为前缀的新子图。实际上，和1.x版本不同，我们只定义一个D模型，但使用了两次。

# 定义真输入，一组从真实数据抽取的值
real_input = tf.placeholder(tf.float32, shape=(None,1))

# 定义判别器模型
D = discriminator(real_input.shape[1:])

# 设置任意形状的噪声先验向量
latent_space_size = 100
# 定义输入噪声形状，定义生成器
input_noise = tf.placeholder(tf.float32, shape=(None,latent_space_size))
G = generator(input_noise.shape[1:])

同样：不需要像前面那样定义D_fake，也不需要在定义图时提前考虑变量共享问题。

现在，我们可以继续定义G和D的损失函数了。

D_real = D(real_input)
D_loss_real = tf.reduce_mean(
    tf.nn.sigmoid_cross_entropy_with_logits(logits=D_real, labels=tf.ones_like(D_real))
)

G_z = G(input_noise)

D_fake = D(G_z)
D_loss_fake = tf.reduce_mean(
    tf.nn.sigmoid_cross_entropy_with_logits(logits=D_fake, labels=tf.zeros_like(D_fake))
)

D_loss = D_loss_real + D_loss_fake

G_loss = tf.reduce_mean(
    tf.nn.sigmoid_cross_entropy_with_logits(logits=D_fake, labels=tf.ones_like(D_fake))
)

到目前为止还不错。最后要做的是定义两个分别优化D和G的优化器。因为我们用的是tf.keras，所以不需要手动创建需要更新的变量列表，因为tf.keras.Models对象本身具有这个属性：

# 定义优化器和训练操作
train_D = tf.train.AdamOptimizer(1e-5).minimize(D_loss, var_list=D.trainable_variables)
train_G = tf.train.AdamOptimizer(1e-5).minimize(G_loss, var_list=G.trainable_variables)

我们已经准备好了：我们到达了第3步，由于我们仍然在使用静态图模式，我们必须定义变量初始化op：

init_op = tf.global_variables_initializer()

优点/缺点

从tf.layers转换到tf.keras很简单：所有的tf.layers方法都有对等的tf.keras.layers方法。
f.keras.Model完全解决了变量重用以及图重定义的困扰。
tf.keras.Model不是一个输出张量，但是一个包含自有变量的完整模型。
我们还是必须初始化所有变量，但就像我们前面说过的那样，tf.train.MonitoredSession可以帮我们完成。

不管是在TensorFlow 1.x中，还是在2.x中，GAN示例都是首先使用“旧”的图定义范式，然后在会话中执行（不管是现在还是将来，这都是一个很好且有效的范式，并且是——个人观点——最好的）。

然而，TensorFlow 2.x的另一个大变化是让Eager模式成为默认执行模式。在TensorFlow 1.x中，我们必须显式地启用Eager Execution，而在TensorFlow 2.x中，我们要做相反的事情。

Eager模式优先

以下是Eager Execution指南的解释：

TensorFlow的Eager Execution是一种必要的编程环境，它可以立即评估操作，而不需要构建图：操作返回具体的值，而不是构建一个计算图并稍后运行。这使得开始TensorFlow入门和模型调试变得很容易，同时也减少了模板文件。请按照本指南在交互式Python解释器中运行下面的代码示例。

Eager Execution是一个灵活的机器学习研究和试验平台，提供以下特性：

直观的接口——自然地构造代码并使用Python数据结构。快速迭代小模型和小样本。
更易于调试——直接调用ops检查正在运行的模型和测试更改。使用标准的Python调试工具进行即时错误报告。
自然的控制流——使用Python控制流而不是图控制流，简化了动态模型的规范。

简而言之：不需要首先定义图，然后在会话中计算它。在Eager模式中使用TensorFlow可以混合定义和执行，就像标准的Python程序一样。

这与静态图版本并不是一一对应的，因为有些在图中很自然的东西并不存在于这样一个命令式环境中。

这里，最重要的例子是tf.GradientTape上下文管理器，这只存在于Eager模式下。

当我们有一个图，我们知道节点是如何连接的，当我们要计算某个函数的梯度时，我们可以从输出回溯到图的输入，计算梯度并得到结果。

在Eager模式下，我们不能这样。使用自动微分法计算函数梯度的唯一方法是构建一个图。构建在tf.GradientTape上下文管理器中执行的、对一些可观察的元素（比如变量）进行操作的图，然后，可以由tf.GradientTape来计算我们需要的梯度。

在tf.GradientTape文档页上，我们可以找到例子，清楚地说明如何使用tf.GradientTape以及为什么需要它：

x = tf.constant(3.0)
with tf.GradientTape() as g:
  g.watch(x)
  y = x * x
dy_dx = g.gradient(y, x) # Will compute to 6.0

此外，控制流操作就是Python的控制流操作（比如for loop、if语句……），与tf.while_loop、tf.map_fn、tf.cond不同，那些方法我们必须在静态图版本中使用。

有一个工具，叫做Autograph，它可以帮助你使用普通的Python编写复杂的图代码。在后台，AutoGraph自动将代码转换为等效的TensorFlow图代码。

不过，你需要编写的Python代码不是纯Python（例如，如果你要声明一个函数返回一个指定TensorFlow数据类型的元素列表，那会用到在标准Python函数中不会使用的操作），而其功能至少在本文写作时是有限的。

之所以创建这个工具，是因为图版本有一个很大的优势，即一旦导出，它就成为“单个文件”，而在生产环境中交付经过训练的机器学习模型，使用静态图模式要容易得多。另外，静态图模式更快。

就我个人而言，我不太喜欢Eager模式。可能是因为我已经习惯了静态图版本，并且我发现，Eager模式是PyTorch的粗糙模仿。另外，尝试将GAN从PyTorch实现转成TensorFlow 2.x版本，同时使用静态图和Eager模式时，我无法让Eager模式发挥作用，我还不知道为什么（虽然静态图实现工作得很好）。我在GitHub上提交了一个Bug报告（当然，这个错误可能是我自己的）：Tensor F low Eager版本失败了，而Tensor F low静态图可以正常运行。

转换到TensorFlow 2.x还需要做其他的修改，我将在下一节“该怎么办？”中总体介绍。

该怎么办？

关于转换到TensorFlow 2.x，下面是我根据自己的理解整理的F.A.Q列表。

如果我的项目使用了****tf.contrib，该怎么办？

所有关于tf.contrib内部项目命运的信息可以在这里找到：tf.contrib日落。

你可能只需要安装一个新的Python包，或者将tf. instrument .something重命名为tf.something。

如果我的项目在TensorFlow 1.x中可以运行，而在2.x中无法运行了，该怎么办？

不应该出现这种情况：请再次检查转换实现是否正确，如果是，则在GitHub上提交一个Bug报告。

如果项目在静态图模式下可以运行，而在Eager模式下无法运行，该怎么办？

这是我目前遇到的问题，我已经提交了报告：Tensor F low Eager版本失败了，而Tensor F low静态图可以正常运行。

现在我还不知道这是我自己的Bug，还是实际的TensorFlow Eager版本有什么问题。但是，由于我习惯于静态图的思考方式，所以我将避免使用Eager版本。

如果某个tf.方法在2.x中被删除了，该怎么办？

这个方法很可能只是被移动了。在TensorFlow 1.x 中，有很多方法的别名。而在TensorFlow 2.x中，我们的目标是（如果RFC: TensorFlow名称空间如我所愿被接受的话）删除许多别名，并将方法移动到更好的位置，以提高整体的一致性。

在RFC中，你可以找到新提议的名称空间、要删除的名称空间列表以及所有其他为增强框架的一致性（可能）要进行的更改。

另外，即将发布的转换工具可能可以正确地为你应用所有这些更新（这只是我对该转换工具的猜测，但由于这是一项简单的任务，那是很可能会出现的一个特性）。

小结

本文的写作目的是阐明TensorFlow 2.0将给框架用户带来的变化和挑战。

TensorFlow 1中的GAN实现以及到TensorFlow 2.x的转换应该可以清楚地说明使用新版本所需要的心态改变。

总的来说，我认为，TensorFlow 2.x将改进框架的质量，标准化并简化它的用法。从未见过静态图方法且习惯于使用命令式语言的新用户可能会发现，Eager模式是进入TensorFlow世界的一个很好的切入点。

不过，更新中有些部分我不喜欢（这只是我个人的观点）：

把重点放在Eager Execution上，并使之成为默认模式：在我看来，这似乎是一种营销手段。TensorFlow似乎是想要追赶PyTorch（默认是Eager）；
静态图和Eager（以及混合它们的可能性）不是1:1兼容性的，在我看来，这可能会在大型项目中造成混乱，使得项目难以维护；
切换到基于Keras的方法是一项很好的举措，但它使图在Tensorboard中的可视化变得非常难看。事实上，变量和图的定义是全局的，在TensorFlow图中创建新“块”的tf.named_scope（为了共享变量更容易，每次调用Keras Model时都会调用）被图隔开，它是内部使用的，它的输入节点列表中包含所有的模型变量——这使得Tensorboard中图的可视化变得几乎没有用处，对于这样一个好工具，这真是个遗憾。

如果你喜欢这篇文章，请分享；如果文章中有什么问题/可以改进的地方，请随时告诉我。

感谢你的阅读！

查看英文原文：Tensor F low 2.0: models migration and new design

创作场景

关于即将发布的 TensorFlow 2.0，你需要知道这几件事