昨天，9月30日，Google宣布发布TensorFlow 2.0的最终版本。
“ TensorFlow 2.0是开源的，并得到社区的支持，该社区表示，他们需要一个易于使用的，灵活而强大的平台，该平台可以部署在任何平台上。 TensorFlow 2.0为想要使用最新的机器学习技术并创建可扩展的ML应用程序的开发人员，企业和研究人员提供了广泛的工具生态系统。” -在Medium平台上的Tensorflow博客说。
TensorFlow 2.0进行了许多更改，使TensorFlow用户的工作效率更高。 TensorFlow 2.0删除了冗余API，此后这些API变得更加一致（统一的RNN，统一优化器），并与Eager执行更好地集成了Python运行时。
在TensorFlow 1.X中，要求用户通过执行tf。* API请求来手动组装抽象语法树（图形）。 然后，用户必须通过将输出和输入张量的集合传递给session.run（）调用来手动编译抽象语法树。 TensorFlow 2.0可立即运行（就像Python通常那样），在2.0中，图形和会话应被视为实现细节。
TensorFlow 1.X严重依赖于隐式全局名称空间。 当您调用tf.Variable（）时，默认情况下将其放置在图形中，即使您丢失了指向它的Python变量的跟踪，它仍然保留在其中。 然后，您可以恢复该tf.Variable，但前提是您知道创建它的名称。 如果您不控制变量的创建，那将很难做到。
调用session.run（）几乎就像调用一个函数：定义输入，调用该函数，然后得到一个结果集。 在TensorFlow 2.0中，您可以使用tf.function（）装饰Python函数以将其标记为JIT编译，以便TensorFlow将其作为单个图执行（Functions 2.0 RFC）。
基于：
-
等待结束-TensorFlow 2.0发布了！-
有效的TensorFlow 2.0