作为程序员，你会变身 TF boys 吗？
变身 ???? ***T***ensor***F***low boys
2015 年 11 月，Google 正式发布了 Tensorflow 的白皮书并开源 TensorFlow 0.1 版本。
2017 年 02 月，Tensorflow 正式发布了 1.0.0 版本，同时也标志着稳定版的诞生。
2019 年 10 月，TensorFlow 在经历七个多月(2019 年 3 月 1 日 -2019 年 10 月 1 日)的 2.0 Alpha 版本的更新迭代后，发布 2.0 正式版。
TensorFlow 是深度学习领域最广泛使用的框架，去年开始发布的 2.0 版本更是比开始的 1.0 好用了不知道多少。
相较于 TensorFlow 1.0，TensorFlow 2.0 有以下优势：
- Keras 与 TensorFlow 紧密集成，默认 eager execution，执行 Pythonic 函数。官方表示，对开发者来说，TensorFlow 2.0 用起来跟 Python 差不多；对于研究者来说，新框架也在低级 API 方面进行了重点投入。
- 为了在各种平台上运行，SavedModel 文件格式进行了标准化。
- 针对高性能训练场景，可以使用 Distribution Strategy API 进行分布训练，且只需进行少量代码修改就能获得出色的性能。支持 Keras Model.fit、自定义训练循环、多 GPU 等等。
- TensorFlow 2.0 提高了在 GPU 上的性能表现。以 ResNet-50 和 BERT 为例，只需要几行代码，混合精度使用 Volta 和 Turing GPU，训练表现最高可以提升 3 倍。
- 新增 TensorFlow Datasets，为包含大量数据类型的大型数据集提供了标准接口。
- 虽然保留了传统的基于 Session 的编程模型，但官方现在建议使用 eager execution 进行常规的 Python 开发。tf.function 装饰器可以把代码转换成可以远程执行、序列化、性能优化的图。在 Autograph 的帮助下，能把常规的 Python 控制流直接转成 TensorFlow 控制流。
- 官方提供了 TensorFlow 1.x 升级 2.0 的迁移指南，TF2.0 还有一个自动转换的脚本。
- TensorFlow 2.0 提供了易用的 API，能够灵活快速的实现新想法。模型的训练和 serving 也已经无缝集成在基础架构中。
- 更多关于 TensorFlow 2.0 的信息，可以访问官网。
实验楼针对 TensorFlow 2.0 设置了以下5门课程：
（文章最后，点击链接，一键获取课程合集！）
根据 TensorFlow 官方介绍，2.0 版本将专注于简洁性和易用性的改善。本次课程将带你了解 TensorFlow 2.0 的新特性，并完成快速入门和过渡。
TensorFlow 因为背靠谷歌 Google 这座大山，再加上庞大的开发者群体，更新和发版速度着实非常快。了解并掌握 TensorFlow 的使用，将使你在搭建深度学习模型时更加得心应手。
人脸互换是计算机视觉领域比较热门的一个应用，它可以应用于视频合成，提供隐私服务，肖像更换等各个应用。本课程将从自编码器，上采样，数据增强等知识点出发，对深度学习下的人脸互换进行讲解。并且利用 TensorFlow 2 实现川普和道格拉斯·凯奇的人脸互换。训练后的模型可以在不修改原图表情的情况下，完成人脸替换。
《TensorFlow 2 模型部署方法实践》
机器学习问题不仅是一个科学问题，更是一个工程问题。实际应用中，我们不仅要学会构建完美的机器学习模型上，同时还需要将其部署向用户提供便捷的服务。本课程将使用 TensorFlow 2 框架完成机器学习模型部署实践。
TensorFlow 是机器学习中的常用框架，使用它能够帮助我们更快速地建立模型，并且使我们的代码变得更加简洁。在本实验中，我们会基于 TensorFlow 2 来实现一个验证码识别与推理的模型。