TensorFlow 2.x在构建模型和TensorFlow的整体使用方面提供了很多简单性。那么TF2有什么新变化呢？

• 使用Keras轻松构建模型，立即执行。
• 可在任何平台上进行强大的模型部署。
• 强大的研究实验。
• 通过清理过时的API和减少重复来简化API。

在本文中，我们将探索TF 2.0的10个特性，这些特性使得使用TensorFlow更加顺畅，减少了代码行数并提高了效率。

1(a). tf.data 构建输入管道

tf.data提供了数据管道和相关操作的功能。我们可以建立管道，映射预处理函数，洗牌或批处理数据集等等。

从tensors构建管道

>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> iter(dataset).next().numpy()
8

构建Batch并打乱

# Shuffle
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6)
>>> iter(dataset).next().numpy()
0

# Batch
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).batch(2)
>>> iter(dataset).next().numpy()
array([8, 3], dtype=int32)

# Shuffle and Batch
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).shuffle(6).batch(2)
>>> iter(dataset).next().numpy()
array([3, 0], dtype=int32)

把两个Datsets压缩成一个

>>> dataset0 = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> dataset1 = tf.data.Dataset.from_tensor_slices([1, 2, 3, 4, 5, 6])
>>> dataset = tf.data.Dataset.zip((dataset0, dataset1))
>>> iter(dataset).next()
(8>, 1>)

映射外部函数

def into_2(num):
     return num * 2
    
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1]).map(into_2)
>>> iter(dataset).next().numpy()
16

1(b). ImageDataGenerator

这是tensorflow.keras API的最佳特性之一。ImageDataGenerator能够在批处理和预处理以及数据增强的同时实时生成数据集切片。

生成器允许直接从目录或数据目录中生成数据流。

ImageDataGenerator中关于数据增强的一个误解是，它向现有数据集添加了更多的数据。虽然这是数据增强的实际定义，但是在ImageDataGenerator中，数据集中的图像在训练的不同步骤被动态地变换，使模型可以在未见过的有噪数据上进行训练。

train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True
)

在这里，对所有样本进行重新缩放(用于归一化)，而其他参数用于增强。

train_generator = train_datagen.flow_from_directory(
        'data/train',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary'
)

我们为实时数据流指定目录。这也可以使用dataframes来完成。

train_generator = flow_from_dataframe(
    dataframe,
    x_col='filename',
    y_col='class',
    class_mode='categorical',
    batch_size=32
)

x_col参数定义图像的完整路径，而y_col参数定义用于分类的标签列。

模型可直接用生成器来喂数据。需要指定steps_per_epoch参数，即number_of_samples // batch_size.

model.fit(
    train_generator,
    validation_data=val_generator,
    epochs=EPOCHS,
    steps_per_epoch=(num_samples // batch_size),
    validation_steps=(num_val_samples // batch_size)
)

2. 使用tf.image做数据增强

数据增强是必要的。在数据不足的情况下，对数据进行更改并将其作为单独的数据点来处理，是在较少数据下进行训练的一种非常有效的方式。

tf.image API中有用于转换图像的工具，然后可以使用tf.data进行数据增强。

flipped = tf.image.flip_left_right(image)
visualise(image, flipped)

saturated = tf.image.adjust_saturation(image, 5)
visualise(image, saturated)

rotated = tf.image.rot90(image)
visualise(image, rotated)

cropped = tf.image.central_crop(image, central_fraction=0.5)
visualise(image, cropped)

3. TensorFlow Datasets

pip install tensorflow-datasets

这是一个非常有用的库，因为它包含了TensorFlow从各个领域收集的非常著名的数据集。

import tensorflow_datasets as tfds

mnist_data = tfds.load("mnist")
mnist_train, mnist_test = mnist_data["train"], mnist_data["test"]
assert isinstance(mnist_train, tf.data.Dataset)

tensorflow-datasets中可用的数据集的详细列表可以在：https://www.tensorflow.org/datasets/catalog/overview中找到。

tfds提供的数据集类型包括：音频，图像，图像分类，目标检测，结构化数据，摘要，文本，翻译，视频。

4. 使用预训练模型进行迁移学习

迁移学习是机器学习中的一项新技术，非常重要。如果一个基准模型已经被别人训练过了，而且训练它需要大量的资源(例如：多个昂贵的gpu，一个人可能负担不起)。转移学习，解决了这个问题。预先训练好的模型可以在特定的场景中重用，也可以为不同的场景进行扩展。

TensorFlow提供了基准的预训练模型，可以很容易地为所需的场景扩展。

base_model = tf.keras.applications.MobileNetV2(
    input_shape=IMG_SHAPE,
    include_top=False,
    weights='imagenet'
)

这个base_model可以很容易地通过额外的层或不同的模型进行扩展。如：

model = tf.keras.Sequential([
    base_model,
    global_average_layer,
    prediction_layer
])

5. Estimators

估计器是TensorFlow对完整模型的高级表示，它被设计用于易于扩展和异步训练

预先制定的estimators提供了一个非常高级的模型抽象，因此你可以直接集中于训练模型，而不用担心底层的复杂性。例如:

linear_est = tf.estimator.LinearClassifier(
    feature_columns=feature_columns
)

linear_est.train(train_input_fn)
result = linear_est.evaluate(eval_input_fn)

这显示了使用tf.estimator. Estimators构建和训练estimator是多么容易。estimator也可以定制。

TensorFlow有许多estimator ，包括LinearRegressor，BoostedTreesClassifier等。

6. 自定义层

神经网络以许多层深网络而闻名，其中层可以是不同的类型。TensorFlow包含许多预定义的层(如density, LSTM等)。但对于更复杂的体系结构，层的逻辑要比基础的层复杂得多。对于这样的情况，TensorFlow允许构建自定义层。这可以通过子类化tf.keras.layers来实现。

class CustomDense(tf.keras.layers.Layer):
    def __init__(self, num_outputs):
        super(CustomDense, self).__init__()
        self.num_outputs = num_outputs

    def build(self, input_shape):
        self.kernel = self.add_weight(
            "kernel",
            shape=[int(input_shape[-1]),
            self.num_outputs]
        )

    def call(self, input):
        return tf.matmul(input, self.kernel)

正如在文档中所述，实现自己的层的最好方法是扩展 tf.keras.Layer类并实现：

1. _init_，你可以在这里做所有与输入无关的初始化。
2. build，其中你知道输入张量的形状，然后可以做剩下的初始化工作。
3. call，在这里进行前向计算。

虽然kernel的初始化可以在*_init_中完成，但是最好在build中进行初始化，否则你必须在创建新层的每个实例上显式地指定input_shape*。

7. 自定义训练

tf.keras Sequential 和Model API使得模型的训练更加容易。然而，大多数时候在训练复杂模型时，使用自定义损失函数。此外，模型训练也可能不同于默认训练(例如，分别对不同的模型组件求梯度)。

TensorFlow的自动微分有助于有效地计算梯度。这些原语用于定义自定义训练循环。

def train(model, inputs, outputs, learning_rate):
    with tf.GradientTape() as t:
        # Computing Losses from Model Prediction
        current_loss = loss(outputs, model(inputs))
        
    # Gradients for Trainable Variables with Obtained Losses
    dW, db = t.gradient(current_loss, [model.W, model.b])
    
    # Applying Gradients to Weights
    model.W.assign_sub(learning_rate * dW)
    model.b.assign_sub(learning_rate * db)

这个循环可以在多个epoch中重复，并且根据用例使用更定制的设置。

8. Checkpoints

保存一个TensorFlow模型可以有两种方式：

1. SavedModel：保存模型的完整状态以及所有参数。这是独立于源代码的。model.save_weights('checkpoint')
2. Checkpoints

Checkpoints 捕获模型使用的所有参数的值。使用Sequential API或Model API构建的模型可以简单地以SavedModel格式保存。

然而，对于自定义模型，checkpoints是必需的。

检查点不包含模型定义的计算的任何描述，因此通常只有当源代码可用时，保存的参数值才有用。

保存 Checkpoint

checkpoint_path = “save_path”

# Defining a Checkpoint
ckpt = tf.train.Checkpoint(model=model, optimizer=optimizer)

# Creating a CheckpointManager Object
ckpt_manager = tf.train.CheckpointManager(ckpt, checkpoint_path, max_to_keep=5)

# Saving a Model
ckpt_manager.save()

从 Checkpoint 加载模型

TensorFlow从被加载的对象开始，通过遍历带有带有名字的边的有向图来将变量与检查点值匹配。

if ckpt_manager.latest_checkpoint:
    ckpt.restore(ckpt_manager.latest_checkpoint)

9. Keras Tuner

这是TensorFlow中的一个相当新的特性。

!pip install keras-tuner

超参数调优调优是对定义的ML模型配置的参数进行筛选的过程。在特征工程和预处理之后，这些因素是模型性能的决定性因素。

# model_builder is a function that builds a model and returns it
tuner = kt.Hyperband(
    model_builder,
    objective='val_accuracy', 
    max_epochs=10,
    factor=3,
    directory='my_dir',
    project_name='intro_to_kt'
)

除了HyperBand之外，BayesianOptimization和RandomSearch 也可用于调优。

tuner.search(
    img_train, label_train, 
    epochs = 10, 
    validation_data=(img_test,label_test), 
    callbacks=[ClearTrainingOutput()]
)

# Get the optimal hyperparameters
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]

然后，我们使用最优超参数训练模型：

model = tuner.hypermodel.build(best_hps)
model.fit(
    img_train, 
    label_train, 
    epochs=10, 
    validation_data=(img_test, label_test)
)

10. 分布式训练

如果你有多个GPU，并且希望通过分散训练循环在多个GPU上优化训练，TensorFlow的各种分布式训练策略能够优化GPU的使用，并为你操纵GPU上的训练。

tf.distribute.MirroredStrategy是最常用的策略。它是如何工作的呢？

• 所有的变量和模型图被复制成副本。
• 输入均匀分布在不同的副本上。
• 每个副本计算它接收到的输入的损失和梯度。
• 同步的所有副本的梯度并求和。
• 同步后，对每个副本上的变量进行相同的更新。

strategy = tf.distribute.MirroredStrategy()with strategy.scope():
    model = tf.keras.Sequential([
        tf.keras.layers.Conv2D(
            32, 3, activation='relu',  input_shape=(28, 28, 1)
        ),
        tf.keras.layers.MaxPooling2D(),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10)
    ])

    model.compile(
        loss="sparse_categorical_crossentropy",
        optimizer="adam",
        metrics=['accuracy']
    )