TensorFlow 2.0破天荒地抛弃了原有的架构，从新开始，整合了曾经为TensorFlow添加的多种组件，在2.0版本中，这些组件被打包成一个综合平台，可支持机器学习的工作流程（从训练到部署），即用一个新的架构从根本上代替了已有的内容，如图2.1所示。

图2.1　TensorFlow 2.0架构

可以看到新架构中的训练部分主要关注Python API，即训练的可用性、整洁性以及易用性。通过使用“存档”的方式连接起训练与部署之间的桥梁。

模型的部署方式是多种多样的，可以方便地运行在不同的平台上。语言绑定（Language Binding）也有不同程度的支持，包括Swift、R和Julia等。

TensorFlow 2.0在1.x的基础上进行了重新设计，重点放在提升开发人员的工作效率上，确保2.0版本更加简单易用。TensorFlow 2.0为了提升易用性做了很多改进，例如对API做了精简、删除了冗余的API、使得API更加一致（例如统一了TensorFlow和tf.keras的循环神经网络和优化器等），以及由静态计算图转变为动态计算图等（使得代码的编写和调试变得更加容易）。本节接下来讲解TensorFlow 2.0的一些主要变化。

2.1.1　API精简

很多TensorFlow 1.x的API在2.0中被去掉或者改变了位置，还有一些被新的API替换掉了。官方提供了一个转换工具，可以用来将1.x版本的代码升级到2.0，主要工作其实就是修改这些有变更的API。不过使用该工具不一定能够转换成功，转换成功后的代码也并不一定能够正常运行，很多时候还是需要人工修改。

2.1.2　Eager Execution

Eager Execution（动态图机制）是TensorFlow 从1.8版本开始正式加入的，但只是作为一种可选操作，在TensorFlow 2.0之前，TensorFlow默认的模式都是Graph Execution（静态图机制），TensorFlow 2.0将Eager Execution作为默认模式。在该模式下用户能够更轻松地编写和调试代码，可以使用原生的Python控制语句，大大降低了学习和使用TensorFlow的门槛。

在TensorFlow 2.0中，图（Graph）和会话（Session）都变成底层实现，而不需要用户关心。

2.1.3　取消全局变量

TensorFlow 1.x非常依赖隐式全局命名空间。当调用“tf.Variable”创建变量时，该变量就会被放进默认的图中，即使忘记了指向它的Python变量，也会留在那里。而当程序编写者想恢复这些变量时，则必须知道该变量的名称。如果无法控制这些变量的创建，也就无法做到这一点。

TensorFlow 1.x中有各种机制，旨在帮助用户再次找到程序设计者所创建的变量，而在2.0中则取消了所有这些机制，支持默认的机制：跟踪变量。当TensorFlow不再用到创建的某个变量时，该变量就会被自动回收。

2.1.4　使用函数而不是会话

在TensorFlow 1.x中，最常规的是使用“session.run()”方法执行计算图，“session.run()”方法的调用类似于函数调用：指定输入数据和调用的方法，最后返回输出结果。为了保留静态图的一些优势，例如性能优化以及重用模块化的TensorFlow函数等。

在TensorFlow 2.0中，可以使用“tf.function”来修饰Python函数，以将其标记为即时（Just-In-Time）编译，从而TensorFlow可以将其作为单个图来执行。

2.1.5　弃用collection

在TensorFlow 1.x中可以通过集合（collection）来管理不同类别的资源。例如，使用tf.add_to_collection函数可以将资源加入一个或多个集合，使用tf.get_collection获取一个集合里面的所有资源。这些资源可以是张量、变量或者运行TensorFlow程序所需要的资源。这样的方法在TensorFlow框架的运行时是非常有用的，例如在训练神经网络时会大量使用集合管理技术（通过tf.add_n(tf.get_collection("losses")获得总损失等）。

由于collection控制变量很不友好，因此在TensorFlow 2.0中弃用了collection，使代码更加清晰。例如，新的总损失可以简写为： 8z7paUyb4Z9tTWlElD0nCZC/R8Hseqy/RP4Jtg59BrBPkJykjHRyra6nwk7gWBcY

    Total_loss = loss_1 + loss_2