TensorFlow2.x在構建模型和總體使用方面提供了很多便利。那么，在tf中有什么新功能？

　　使用Keras輕松進行模型構建;

　　在任何平臺上的生產中都可以進行穩健的模型部署;

　　強大的研究實驗;

　　通過清理不推薦使用的API來簡化各個步驟

　　在本文中，我們將探索TF 2.0的10個功能，這些功能讓TensorFlow的使用更加順暢，減少了代碼行并提高了效率，因為這些函數/類屬于TensorFlow API。

　　1.用于構建輸入管道的tf.data API

　　tf.data API提供了用于數據管道和相關操作的功能。 我們可以構建管道，映射預處理功能，洗牌或批量處理數據集等等。

　　利用張量構建管道

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）

　　》》》 iter（dataset）.next（）.numpy（）

　　8

　　洗牌和批量處理數據集

　　# Shuffle

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.shuffle（6）

　　》》》 iter（dataset）.next（）.numpy（）

　　0

　　# Batch

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.batch（2）

　　》》》 iter（dataset）.next（）.numpy（）

　　array（［8， 3］， dtype=int32）

　　# Shuffle and Batch

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.shuffle（6）.batch（2）

　　》》》 iter（dataset）.next（）.numpy（）

　　array（［3， 0］， dtype=int32）

　　壓縮兩個數據集

　　》》》 dataset0 = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）

　　》》》 dataset1 = tf.data.Dataset.from_tensor_slices（［1， 2， 3， 4， 5， 6］）

　　》》》 dataset = tf.data.Dataset.zip（（dataset0， dataset1））

　　》》》 iter（dataset）.next（）

　　（， ）

　　映射外部函數

　　def into_2（num）：

　　return num * 2

　　》》》 dataset = tf.data.Dataset.from_tensor_slices（［8， 3， 0， 8， 2， 1］）.map（into_2）

　　》》》 iter（dataset）.next（）.numpy（）

　　16

　　2. 圖像數據生成器

　　這是tensorflow.keras API的最佳特性之一（在我看來）。圖像數據生成器能夠在批處理和預處理過程中生成數據集切片，并實時進行數據擴充。

　　生成器允許直接從目錄或數據幀進行數據流。

　　對圖像數據生成器中的數據擴充的一個誤解是，它向現有的數據集中添加了更多的數據。雖然這是數據增強的實際定義，但在圖像數據生成器中，數據集中的圖像在訓練過程中會在不同的步驟進行動態轉換，這樣模型就可以在沒有看到的噪聲數據上進行訓練。