TensorFlow 2 简介
TensorFlow 是由谷歌在 2015 年 11 月发布的深度学习开源工具，我们可以用它来快速构建深度神经网络，并训练深度学习模型。运用 TensorFlow 及其他开源框架的主要目的，就是为我们提供一个更利于搭建深度学习网络的模块工具箱，使开发时能够简化代码，最终呈现出的模型更加简洁易懂。
2019 年，TensorFlow 推出了 2.0 版本，也意味着 TensorFlow 从 1.x 正式过度到 2.x 时代。根据 TensorFlow 官方 介绍内容 显示，2.0 版本将专注于简洁性和易用性的改善，主要升级方向包括：
- 使用 Keras 和 Eager Execution 轻松构建模型。
- 在任意平台上实现稳健的生产环境模型部署。
- 为研究提供强大的实验工具。
- 通过清理废弃的 API。 和减少重复来简化 API。
当然，如果你对 TensorFlow 1.x 本来就不熟悉，可能无法看明白这些升级的内容。不用担心，本次课程将直接对 TensorFlow 2 进行学习，我们不再回首过去，直接展望未来。
安装 TensorFlow 2
pip install -U tensorflow
接下来，我们将从 TensorFlow 基础概念语法入手，一步一步学习 TensorFlow 的使用。
张量
首先，你应该知道什么是向量和矩阵。我们把 1 维的数组称之为向量， 2 维的数组称之为矩阵。那么，现在告诉你张量其实代表着更大的范围，你也可以把其看作是N 维数组。
所以，如果现在重新描述向量和矩阵，就可以是：一阶张量为向量，二阶张量为矩阵。当然，零阶张量也就是标量，而更重要的是 N 阶张量，也就是 N 维数组。
所以，张量并不是什么晦涩难懂的概念。如果不严谨的讲，张量就是 NN 维数组。前面提到的向量、矩阵，也是张量。
后面将学习到的大多数深度学习框架都会使用张量的概念，这样做的好处是统一对数据的定义。NumPy 中，数据都使用 Ndarray 多维数组进行定义，TensorFlow 中，数据都会用张量进行表述。
下面就来学习 TensorFlow 中对张量的定义。在 TensorFlow 中，每一个 Tensor 都具备两个基础属性：数据类型（默认：float32）和形状。
其中，数据类型大致如下表所示：
另外，TensorFlow 通过三种符号约定来描述张量维度：阶，形状和维数。三者之间的关系如下：
值得注意的是，上表中的示例都是形容张量的形状。例如 [3, 4] 指的张量的形状为 [3, 4]，而不是张量 [3, 4]。
根据不同的用途，TensorFlow 中主要有 2 种张量类型，分别是：
- tf.Variable ：变量 Tensor，需要指定初始值，常用于定义可变参数，例如神经网络的权重。
- tf.constant ：常量 Tensor，需要指定初始值，定义不变化的张量。
我们可以通过传入列表或 NumPy 数组来新建变量和常量类型的张量：
代码示例：
import tensorflow as tf
tf.__version__
输出
'2.0.0'
v = tf.Variable([[1, 2], [3, 4]]) # 形状为 (2, 2) 的二维变量
v
输出
<tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy=
array([[1, 2],
[3, 4]], dtype=int32)>
c = tf.constant([[1, 2], [3, 4]]) # 形状为 (2, 2) 的二维常量
c
输出
<tf.Tensor: id=9, shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
[3, 4]], dtype=int32)>
仔细观察，你会发现输出包含了张量的 3 部分属性，分别是形状 shape，数据类型 dtype，以及对应的 NumPy 数组。
你还可以直接通过 .numpy() 输出张量的 NumPy 数组。
c.numpy()
输出
array([[1, 2],
[3, 4]], dtype=int32)
上面我们已经介绍了常量张量，这里再列举几个经常会用到的新建特殊常量张量的方法：
- tf.zeros：新建指定形状且全为 0 的常量 Tensor
- tf.zeros_like：参考某种形状，新建全为 0 的常量 Tensor
- tf.ones：新建指定形状且全为 1 的常量 Tensor
- tf.ones_like：参考某种形状，新建全为 1 的常量 Tensor
- tf.fill：新建一个指定形状且全为某个标量值的常量 Tensor
c = tf.zeros([3, 3]) # 3x3 全为 0 的常量 Tensor
c
输出
<tf.Tensor: id=12, shape=(3, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
tf.ones_like(c) # 与 c 形状一致全为 1 的常量 Tensor
输出
<tf.Tensor: id=15, shape=(3, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>
tf.fill([2, 3], 6) # 2x3 全为 6 的常量 Tensor
输出
<tf.Tensor: id=18, shape=(2, 3), dtype=int32, numpy=
array([[6, 6, 6],
[6, 6, 6]], dtype=int32)>
除此之外，我们还可以创建一些序列，例如：
- tf.linspace：创建一个等间隔序列。
- tf.range：创建一个数字序列。
tf.linspace(1.0, 10.0, 5, name="linspace")
输出
<tf.Tensor: id=22, shape=(5,), dtype=float32, numpy=array([ 1. , 3.25, 5.5 , 7.75, 10. ], dtype=float32)>
tf.range(start=1, limit=10, delta=2)
输出
<tf.Tensor: id=26, shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9], dtype=int32)>
实际上，如果你熟悉 NumPy 的话，你会发现这与 NumPy 中创建各式各样的多维数组方法大同小异。数据类型是一切的基础，了解完张量我们就可以继续学习张量的运算了。
Eager Execution
TensorFlow 2 带来的最大改变之一是将 1.x 的 Graph Execution（图与会话机制）更改为 Eager Execution（动态图机制）。在 1.x 版本中，低级别 TensorFlow API 首先需要定义数据流图，然后再创建 TensorFlow 会话，这一点在 2.0 中被完全舍弃。TensorFlow 2 中的 Eager Execution 是一种命令式编程环境，可立即评估操作，无需构建图。
所以说，TensorFlow 的张量运算过程可以像 NumPy 一样直观且自然了。接下来，我们以最简单的加法运算为例：
c + c # 加法计算
输出
<tf.Tensor: id=27, shape=(3, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
如果你接触过 1.x 版本的 TensorFlow，你要知道一个加法运算过程十分复杂。我们需要初始化全局变量 → 建立会话 → 执行计算，最终才能打印出张量的运算结果。
init_op = tf.global_variables_initializer() # 初始化全局变量
with tf.Session() as sess: # 启动会话
sess.run(init_op)
print(sess.run(c + c)) # 执行计算
Eager Execution 带来的好处显而易见，其进一步降低了 TensorFlow 的入门门槛。之前的 Graph Execution 模式，实际上让很多人在入门时都很郁闷，因为完全不符合正常思维习惯。
TensorFlow 中提供的数学计算，包括线性代数计算方面的方法也是应有尽有，十分丰富。下面，我们再列举一个示例。
a = tf.constant([1., 2., 3., 4., 5., 6.], shape=[2, 3])
b = tf.constant([7., 8., 9., 10., 11., 12.], shape=[3, 2])
c = tf.linalg.matmul(a, b) # 矩阵乘法
c
输出
<tf.Tensor: id=34, shape=(2, 2), dtype=float32, numpy=
array([[ 58., 64.],
[139., 154.]], dtype=float32)>
tf.linalg.matrix_transpose(c) # 转置矩阵
输出
<tf.Tensor: id=36, shape=(2, 2), dtype=float32, numpy=
array([[ 58., 139.],
[ 64., 154.]], dtype=float32)>
你应该能够感觉到，这些常用 API 都能在 NumPy 中找到对应的方法，这也就是课程需要你预先熟悉 NumPy 的原因。由于函数实在太多太多。一般来讲，除了自己经常使用到的，都会在需要某种运算的时候，查阅官方文档。
所以说，你可以把 TensorFlow 理解成为 TensorFlow 式的 NumPy + 为搭建神经网络而生的 API。
自动微分
在数学中，微分是对函数的局部变化率的一种线性描述。虽然微分和导数是两个不同的概念。但是，对一元函数来说，可微与可导是完全等价的。如果你熟悉神经网络的搭建过程，应该明白梯度的重要性。而对于复杂函数的微分过程是及其麻烦的，为了提高应用效率，大部分深度学习框架都有自动微分机制。
TensorFlow 中，你可以使用 tf.GradientTape 跟踪全部运算过程，以便在必要的时候计算梯度。
w = tf.Variable([1.0]) # 新建张量
with tf.GradientTape() as tape: # 追踪梯度
loss = w * w
grad = tape.gradient(loss, w) # 计算梯度
grad
输出
<tf.Tensor: id=52, shape=(1,), dtype=float32, numpy=array([2.], dtype=float32)>
上面，我们演示了一个自动微分过程，它的数学求导过程如下：
所以，当 w 等于 1 时，计算结果为 2。
tf.GradientTape 会像磁带一样记录下计算图中的梯度信息，然后使用 .gradient 即可回溯计算出任意梯度，这对于使用 TensorFlow 低阶 API 构建神经网络时更新参数非常重要。
常用模块
上面，我们已经学习了 TensorFlow 核心知识，接下来将对 TensorFlow API 中的常用模块进行简单的功能介绍。对于框架的使用，实际上就是灵活运用各种封装好的类和函数。由于 TensorFlow API 数量太多，迭代太快，所以大家要养成随时 查阅官方文档 的习惯。
- tf.：包含了张量定义，变换等常用函数和类。
- tf.data：输入数据处理模块，提供了像 tf.data.Dataset 等类用于封装输入数据，指定批量大小等。
- tf.image：图像处理模块，提供了像图像裁剪，变换，编码，解码等类。
- tf.keras：原 Keras 框架高阶 API。包含原 tf.layers 中高阶神经网络层。
- tf.linalg：线性代数模块，提供了大量线性代数计算方法和类。
- tf.losses：损失函数模块，用于方便神经网络定义损失函数。
- tf.math：数学计算模块，提供了大量数学计算函数。
- tf.saved_model：模型保存模块，可用于模型的保存和恢复。
- tf.train：提供用于训练的组件，例如优化器，学习率衰减策略等。
- tf.nn：提供用于构建神经网络的底层函数，以帮助实现深度神经网络各类功能层。
- tf.estimator：高阶 API，提供了预创建的 Estimator 或自定义组件。
在构建深度神经网络时，TensorFlow 可以说提供了你一切想要的组件，从不同形状的张量、激活函数、神经网络层，到优化器、数据集等，一应俱全。由于 TensorFlow 包含的接口太多，每个都拿出来练习变得不切实际。关于TensorFlow 2.0 的基础内容就到这里！
想要了解新特性的详细内容，请学习课程：
想要进行实战项目，请学习课程：
《TensorFlow 2 深度学习入门与实践》