TensorFlow 2.0终于迎来Release Candidate版本，新特性一览，附完整更新日志
本文转载自：专知
链接地址：http://mp.weixin.qq.com/s?src=11×tamp=1567181115&ver=1822&signature=t5n2AjpXgGKf51ckc386VEdV5Ie14eJaWVep6clBtpcP8VYfg9exhYWqXRHggLD4qpdXN-s2rUyw8ZHnoq97GfcEFdLIVvW9oibXrXlSXdvAFjwZKuCfBu85u0vp0k&new=1
【导读】经过长期的Alpha和Beta测试，TensorFlow 2.0终于迎来了rc（Release Candidate）版本。rc版本的大多数功能会被保留，最终作为TensorFlow 2.0正式版的功能。
TensorFlow官方对TF 2.0的宣传已经持续了很久，但TF 2.0却长期处于Alpha和Beta测试阶段，由于担心功能不稳定等因素，许多老用户一直不敢切换到TF 2.0。现在TF 2.0发布了2.0.0-rc0版本，新特性基本已经确定，用户们可以考虑切换到最新版本以体验TF 2.0给我们带来的友好的开发体验和强大的工程化特性。
根据 TF 2.0.0-rc0的发布日志，它包含的主要特性和提升有：
便捷的基于Keras和Eager Execution（动态图）的模型构建
在任何平台的产品中的鲁棒的模型部署
面向研究的强大的实验方法
通过减少重复API和移除废弃点获得的API简化
一些值得注意的特性：
TF 2.0将Keras作为核心的构建和训练模型的API。
TF 2.0可以用tf.distribute.Strategy API在最小代码改动的情况下实现分布式训练。
用Functions而不是Sessions。可以通过写普通Python函数加tf.function注解的方式来构建可以远程执行、序列化和性能优化的图。
统一tf.train.Optimizers和tf.keras.Optimizers。在TF 2.0中使用tf.keras.Optimizers。compute_gradients被从公共API中移除，现在用GradientTape来计算梯度。
AutoGraph将Python控制流翻译为TensorFlow表达式，允许用户在使用tf.function装饰的函数中使用普通的Python语句。
统一了SavedModel的交换格式。所有的TensorFlow生态圈项目(TensorFlow Lite, TensorFlow JS, TensorFlow Serving, TensorFlow Hub)都兼容SavedModels。
API变动：许多API被重命名或移除，或参数名被修改。许多改变的动机是考虑到一致性和清晰性。TF 1.x的API在compat.v1模块中依然可用。
API清理，包括tf.app、tf.flags和tf.logging，因为考虑到对absl-py的喜爱。
没有了全局变量，以及相应的帮助函数，比如tf.global_variables_initializer和tf.get_global_step。
附更新日志：
参考链接：
https://github.com/tensorflow/tensorflow/releases/tag/v2.0.0-rc0
《AI工匠BOOK》持续更新AI算法与最新应用，如果您感兴趣，欢迎关注AI工匠（AI算法与最新应用前沿研究）。