前言

TensorFlow 在去年就不斷的promote v2.0 版，到底它改善的方向有那些呢? 正式版何時release? 整理一些馬路新聞與大家分享。

市占率

近來 TensorFlow 面臨 Facebook PyTorch 的強力挑戰，PyTorch 的市占率不斷攀升，依『Deep Learning Framework Power Scores 2018』分析，從工作需求來看，PyTorch 市占率還是有一段差距(圖一)，但是，從專業期刊(ArXiv)論文引用率(圖二)，已經產生一些威脅了。

圖一. 工作需求比例，圖片來源：Deep Learning Framework Power Scores 2018

圖二. ArXiv 論文引用率，圖片來源：Deep Learning Framework Power Scores 2018

現況比較

PyTorch 攻擊 TensorFlow 論點是『TensorFlow 把簡單的問題複雜化，而 Keras 把複雜的問題太過簡單化』，最明顯的例子就是要建立一個『a+b』的運算圖，TensorFlow 程式如下：

import tensorflow as tf
import numpy as np
# Defining some constant values
a = tf.constant(5.0, name="a")
b = tf.constant(10.0, name="b")

# Some basic operations
x = tf.add(a, b, name="add")
with tf.Session() as sess:
    print("x: ", sess.run(x))

# Closing the writer.
writer.close()
sess.close()

計算個a+b要寫十幾行，雖然，採取靜態運算圖(static computational graph)效能較好，但是，程式複雜，而且除錯困難，只有在sess.run() 後才能追蹤(trace)偵錯，反之，PyTorch 可以直接在模型中使用 Python 語法建立動態模型，相較之下簡單多了。

重大更新

因此，TensorFlow 2.0 作了重大的變革，連標題『TensorFlow已死，TensorFlow 2.0長存』(TensorFlow is dead, long live TensorFlow!)的文章也出來了，除了強調『建模簡單化』，也延長戰線，加強整個開發/佈署過程的全面支援，包括分散式的處理。

在『建模簡單化』主要有兩方面：

1. Eager execution：不需要建立 session，可直接使用 Python 語法建立模型，TensorFlow 會直接將IF等語法轉為運算圖，也可以在過程中除錯。
2. 依據 Keras 規格，改寫 Keras 套件功能，直接納入 TensorFlow 家族，它與獨立Keras套件的比較，請參看『Standardizing on Keras: Guidance on High-level APIs in TensorFlow 2.0』，主要強調Keras可與其他API整合(混用)及納入Eager execution功能。

使用 Eager execution 實踐 a+b 的程式碼如下，跟寫一般Python沒甚麼差別：

import tensorflow as tf
import numpy as np
# 啟動 eager execution 模式
tf.enable_eager_execution()
a = tf.constant([[1, 2],
                 [3, 4]])
b = tf.add(a, 1)
print(a+b)                 

整個開發/佈署過程的全面支援的加強，包括：

1. TensorFlow Serving 模組：可輕易的佈署在 HTTP 或 gRPC 協定上，提供線上服務。
2. TensorFlow Lite 模組：加強邊緣運算的支援，可佈署在手機、Raspberry Pi、Edge TPU 等。
3. TensorFlow.js 模組：提供 Node.js/JavaScript 開發，包括使用類似Keras的API。

上市時程

依據 TensorFlow 官網 v2.0 應該在 2019 Q2 發佈，顯然時程落後了，到目前為止還是 Beta 版，可參考『這裡』，其實，很多功能在目前的版本v1.3已經提供了， 只是在 v2.0 可能會更清楚吧。

結語

TensorFlow 的家族龐大，提供高低階的API，而且，模組替換很快，有些模組未來就不支援了，在學習時要注意，不要在行將就木的功能上鑽研，以免白忙一場。

最後作一點工商廣告，有興趣學TensorFlow的同好，可參考『這裡』。