解密TensorFlow API：tf.Keras、Estimators及Low级API常见问题解答

您是否对选择使用哪种 TensorFlow 构建 API，并探讨它们的组合方式。通过这篇文章，您将了解这些 API 的最佳实践，并找到一些常见问题的答案。

TensorFlow 团队一直致力于开发易于使用的 API，而 TensorFlow 本身也在快速发展。本文涵盖了 TensorFlow 1.12 的当前状态以及 TensorFlow 2.0 的未来趋势。

TensorFlow 的灵活性与复杂性

自 2015 年底开源以来，TensorFlow 已成为最受欢迎的开发人员。其灵活性体现在以下几个方面：

高级 API 和低级 API 的选择：可以使用高级 API（如 tf.Keras 或 Estimators）快速构建模型，也可以通过低级 API 获得更大的控制权。
多语言支持：支持使用 Swift 等语言编写代码。
多平台部署：支持在 CPU、GPU 或 TPU 上训练模型，并可部署到移动设备（如安卓/iOS）、网页、树莓派等多种平台。

然而，正是这种灵活性也带来了架构上的复杂性。许多用户（无论是初学者还是专家）经常会提出类似以下的问题：

接下来，我们将从低级到高级，逐步解析 TensorFlow 的模型构建 API。

TensorFlow 2.0 推出了 tf.Keras，作为官方推荐的高级 API，取代了早期的 tf.layers。以下是使用 tf.Keras 的一些注意事项：

正确的安装和导入方式如下：

$ pip install --upgrade tensorflow
import tensorflow as tf
from tensorflow import keras

更多关于 tf.Keras 的教程和示例，请参考 TensorFlow 官方文档。

Estimators 是 TensorFlow 提供的另一种高级 API，旨在通过封装训练、评估、预测和导出服务的步骤来简化机器学习流程。根据模型函数的不同，Estimators 分为两类：

建议在编写自定义 Estimator 之前，先尝试使用预制 Estimator，看看是否能满足需求。

目前，有以下三种方式可以定义自定义 Estimator 的模型：

低级 API 提供了对 TensorFlow 核心组件（如 Tensors、Graphs 和 Sessions）的直接访问。虽然学习曲线较陡，但它为用户提供了更大的灵活性和控制权。

热切执行是 TensorFlow 的一项重要功能，使得调试和开发更加直观。启用热切执行后，您无需创建图或调用 session.run()，即可直接运行操作。启用方式如下：

import tensorflow as tf
tf.compat.v1.enable_eager_execution()

为提高性能，可以使用 tf.function 将 Python 函数转换为 TensorFlow 图。例如：

@tf.function
def train_step(inputs):

# 定义训练步骤
    ...

此外，TensorFlow 2.0 默认启用了热切执行模式，并引入了 Autograph 功能，实现热切模式与静态图模式之间的无缝转换。

TensorFlow 提供了从低级到高级的多种 API，满足不同用户的需求。对于大多数用户，推荐使用 tf.Keras 作为模型构建的首选工具，而 Estimators 则适合需要快速构建和部署的场景。对于需要更大灵活性的用户，可以选择低级 API。

随着 TensorFlow 2.0 的发布，热切执行模式已成为默认设置，使得 TensorFlow 更加易用和高效。无论您是初学者还是资深开发者，都可以根据需求选择适合的 API，从而充分发挥 TensorFlow 的强大功能。

原文链接: https://medium.com/google-developer-experts/demystify-the-tensorflow-apis-57d2b0b8b6c0