去年11月，TensorFlow庆祝了它的第三个生日。多年来，它成为最受欢迎的ML 框架之一，并拥有了大量的粉丝。
TensorFlow庆祝了它的第三个生日
谷歌将这个框架融入Java，C ++，JavaScript，最重要的是融入主要的数据科学语言Python。如果问社区他们最喜欢的工具组合，最常见的答案是TensorFlow和Python。现在版本更新了 - TensorFlow 2.0华丽出场。现在让从头来认识新版本的TensorFlow 2.0。不要怕，新版本比以前更容易了。
TensorFlow 2.0华丽出场
通常，机器学习和深度学习中的许多概念可以使用多维矩阵 - 张量来抽象。在数学中，张量被描述为描述其他几何对象之间的线性关系的几何对象。为了简化所有概念，可以将张量视为多维数据阵列，即。矩阵。当我们像n维数组一样观察它们时，我们可以轻松有效地应用矩阵运算。这就是TensorFlow实际上在做的事情。在这个框架中，张量是一个原始单位，我们可以用它们做各种操作。例如，看看下面的代码：
上面代码片段的输出如下所示：
tf.Tensor([[4 6 8] [4 6 8]]，shape =(2,3)，dtype = int32) 如您所见，我们已经定义了两个常量，我们将另一个值添加到另一个。结果，我们得到了一个Tensor 对象，其中包含了添加的结果。此外，我们可以看到输出的形状及其数据类型。如果您熟悉TensorFlow 1.0，您会注意到更笨不用创建会话，就可以直接运行此代码。当然，这只是使用新版TensorFlow的好处之一。
安装TensorFlow2.0
TensorFlow为各种语言提供API，可用于不同的操作系统。TensorFlow仅适用于Python 3.5及更高版本，因此请确保在系统上安装了正确版本的Python。在本文中，我们使用Python 3.7。对于其他操作系统和语言，您可以查看官方安装指南。
安装TensorFlow有两种安装选项：
· 具有CPU支持的TensorFlow
· 支持GPU的 TensorFlow
如果您的系统拥有NVIDIA®GPU，那么你可以安装TensorFlow与GPU的支持。当然，GPU版本更快，但CPU更易于安装和配置。
如果您使用的是 Anaconda，可以按照以下步骤安装TensorFlow。首先，您需要通过运行命令来创建conda 环境 " tensorflow "：
conda create -n tensorflow pip python = 3.7
很酷，现在我们安装了TensorFlow。让我们看一下TensorFlow 2.0带来的一些很酷的东西，让我们用它来解决一些问题。
Keras - 高级API
Keras - 高级API
Keras是TensorFlow的默认高级API 。在本文中，我们将使用此API构建一个简单的神经网络，所以让我们来探索下它的功能。根据问题的类型，我们可以为我们想要构建的神经网络使用各种层。从本质上讲，Keras提供了不同类型的层(tensorflow.keras.layers)，我们需要将它们连接成一个有意义的图形来解决我们的问题。在构建深度学习模型时，我们可以通过以下几种方式来执行此API：
· 使用Sequential类
· 使用Functional API
· 模型子类化
第一种方法是最简单的方法。我们正在使用Sequential类，它实际上是图层的占位符，我们按照我们想要的顺序添加图层。可以类比我们大脑的一层层的神经网络。当我们想以尽可能最快的方式构建神经网络时，我们可能想要选择这种方法。我们也可以选择许多类型的Keras层。最基本的和我们将在本文中使用的那个叫做Dense。它有许多选项可用于设置输入，激活功能等。除了Dense之外， Keras API还为卷积神经网络，递归神经网络提供了不同类型的层等等。这超出了本文的范围。那么，让我们看看如何使用Sequential 和 Dense构建神经网络。
首先，我们导入Sequential 和 Dense。之后，我们创建了一个Sequential类的对象。然后我们使用函数add 和 Dense 类将第一层添加到神经网络。Dense 构造函数中的第一个参数 用于定义该层中的多个神经元。这个层的具体内容是我们使用了 input_dim 参数。通过这样做，我们在input_dim参数中定义了神经元的数量，为我们的网络添加了额外的输入层 。基本上，通过这一次调用，我们添加了两个层。第一个是具有两个神经元的输入层，第二个是具有三个神经元的隐藏层。
您可能会注意到，另一个重要参数是 激活 参数。使用此参数，我们 为特定层中的所有神经元定义 。这里我们使用 'relu' 值，表示该层中的神经元将使用 整流器激活功能。最后，我们 再次调用 Sequential对象的add 方法 并添加另一个层。因为我们没有使用 input_dim 参数，所以会添加一个图层，因为它是我们添加到神经网络的最后一层，它也将是网络的输出层。
功能方法类似，但更灵活。这很容易理解，我们可能希望在构建具有大量操作的复杂模型时选择此方法。以下是使用功能API时上面的相同网络的样子：
好了，带大家认识了最新TensorFlow的特点，和内置的keras的功能用法。先到这里，下面会用TensorFlow来做一个分类实践，请不要走开，关注我们。
