前言
3 月 7 日凌晨，谷歌 TensorFlow 开发者峰会（TensorFlow Dev Summit 2019）在美国加州举行。自今年 1 月份谷歌放出 TensorFlow 2.0 开发者预览版，开发者们如今终于迎来了万众期待的 TensorFlow 2.0 Alpha 版的正式发布。也许是为了呼应谷歌此前将 TensorFlow 2.0 称作重要的「里程碑」，TensorFlow 的 Logo 也从过去的三维积木状变成了扁平化风格的「T」和「F」字母拼接。
新Logo
除了发布 TensorFlow 2.0 Alpha 版，谷歌在本次大会上还发布了「一箩筐」围绕 TensorFlow 的其他软件的更新和最新成果，包括：经过更新的 TensorFlow Lite 1.0、TensorFlow js 1.0 和 Swift for TensorFlow 0.2 ，端到端的机器学习平台 TensorFlow Extended (TFX) 以及两款面向隐私问题的 TensorFlow Federated 开源框架和 TensorFlow Privacy 开源库。
另外值得一提的是，随着 TensorFlow 2.0 Alpha 版的到来，谷歌还发布了两门深度学习课程：Udacity 的《TensorFlow 深度学习简介》和 Deeplearning.ai 的《TensorFlow：从基础知识到掌握专业化》系列课程。
TensorFlow 2.0 Alpha 版：强调简单易用性
今年 1 月份，谷歌就放出 TensorFlow 2.0 开发者预览版，引起了开发者们的满腔期待。而不到两个月后随之而来的 TensorFlow 开发者峰会，其最受关注的环节莫过于 TensorFlow 2.0 Alpha 版的发布。
据悉，针对 TensorFlow 2.0，TensorFlow 团队听取了开发者关于「简化 API、减少冗余并改进文档和示例」的建议来进行设计，将 TensorFlow 2.0 Alpha 版的更新重点放在简单和易用性上，主要进行了以下更新：
1、使用 Keras 和 eager execution，轻松建立简单的模型并执行
2、在任何平台上的实现生产环境的模型部署
3、为研究提供强大的实验工具
4、通过清除不推荐使用的 API 和减少重复来简化 API
同时，在过去的几年中，谷歌陆续在 TensorFlow 中添加了许多组件，而 TensorFlow 2.0 Alpha 版中则将这些组件将打包成了一个综合性平台，支持从训练到部署的机器学习工作流，其新架构的简化概念图如下所示：
新架构
而更简单化的新框架更是带来了更加简洁的工作流，即：先使用 tf.data 创建的输入管道读取训练数据；然后使用 tf.keras 或 Premade Estimators 构建、训练和验证模型；接着用 eager execution 进行运行和调试；再使用 Distribution Strategy API 在不更改模型定义的情况下，基于 CPU、GPU 等不同硬件配置上分布和训练模型；最后将模型导出到 SavedModel 保存。其工作流如下图所示：
工作流图
此外，TensorFlow 2.0 Alpha 版还带来了一些新的功能，允许研究人员和高级用户使用丰富的扩展进行实验，如 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 等。
为了简化代码迁移到 TensorFlow 2.0 的过程，谷歌还提供一个转换工具和指导文档用来更新 TensorFlow 1.x Python 代码以使用与 TensorFlow 2.0 兼容的 API，并将无法自动转换的代码标记出来。
在 API 方面的更新也是 TensorFlow 2.0 Alpha 版的一大亮点，其将 Keras API 指定为构建和训练深度学习模型的高级 API，并舍弃掉其他 API。另外值得一提的是，Keras 提供了几个模型构建 API，例如可以利用 Sequential API 构建模型，然后使用「compile」和「fit」，tensorflow.org 中所有常见的」tf.keras」示例均可在 2.0 中便捷使用。
TensorFlow 2.0 Alpha 版的另一个最明显的改变就是将用于机器学习的实验和研究平台——Eager execution 设置为默认优先模式，这就意味着任何运算在调用后就会立即运行，从而不再需要预先定义静态图，就可以通过「tf.Session.run()」执行图的各个部分，让执行过程变得更加简单和快捷。
此外，Eager execution 还有助于原型制作、调试和监控运行中的代码，用户可使用 Python 调试程序检查变量、层及梯度等对象，并利用装饰器「@tf.function」中内置的 Autograph 直接获取图表优化和效率，这整个过程不仅能够保留 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，同时还增加了用简单 Python 表达程序的灵活性和易用性。
整体而言，TensorFlow 2.0 Alpha 版具有以下三大特性：
第一，易用性，其主要体现在使用 tf.keras 作为高级 API，且将 Eager execution 作为默认模式。
第二，简洁性，其主要体现在 TensorFlow 2.0 Alpha 版删除了重复的功能，并且不同 API 的调用语法也变得一致、直观，同时它的兼容性更加完善。
第三，灵活性，其主要体现在 TensorFlow 2.0 Alpha 版提供了完整的低级 API，并可以在 tf.raw_ops 中访问内部操作，同时还提供了变量、checkpoint 以及层的可继承接口。
开发者峰会上，TensorFlow 工程总监 Rajat Monga 也向大家呈现了 TensorFlow 这几年来的「战绩」：自 2015 年 11 月推出以来，TensorFlow 总下载量超过 4100 万次，提交了 5 万多次代码更新，目前已有 1800 多名来自全世界的贡献者。
而随着更加顺从民意、使用更加简单的 TensorFlow 2.0 Alpha 版的发布，TensorFlow 又将收获怎样的成绩呢？大家可以拭目以待。
TensorFlow 2.0 Alpha 版官方网址：https://www.tensorflow.org/alpha
TensorFlow 2.0 Alpha 版开源地址：https://github.com/orgs/tensorflow/projects/4