王霸之路：从0.1到2.0，一文看尽TensorFlow“奋斗史”

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。

2.0 正式版官方介绍视频

虽然 2.0 正式版才刚刚发布，就已经引起了学术界与科研界广泛关注与好评：

Google深度学习科学家以及Keras的作者表示，TensorFlow 2.0 是一个新时代的机器学习平台，这将改变了一切。

深度学习研究和教育者、fast.ai创始人Jeremy Howard也称赞 2.0 版本的发布是”令人兴奋的一步，与TensorFlow一代相比是一个巨大的飞跃“。

目前GitHub上排名第一的NLP机器学习课程practicalAI的作者以及苹果公司AI研究员Goku Mohandas在推特上说，他们正在从PyTorch转向TensorFlow 2.0。

为什么TensorFlow 2.0 的发布能够引发了广泛的讨论和关注？下面笔者通过对于TensorFlow“奋斗史”介绍与解读来分析TensorFlow如何成就的王霸之路。

TensorFlow的“奋斗史”包括三个章节：锋芒初露（0.1），中原逐鹿（1.0），王者归来（2.0）。

1 锋芒初露·源起

在2011年，Google Brain内部孵化出一个项目叫做DistBelief，它是为深度神经网络构建的一个机器学习系统。虽然这个著名的系统并没有开源，但是Google研究者有大量关于它设计的论文被大家所熟知，它也被广泛应用于Google内部的科研和商业产品中。这个项目最早可以追溯到2009年，由Geoffery Hinton带领的团队开发的一个实现了广义反向传播算法的框架，基于这个框架，Google内部可以快速试验新的深度学习算法并提高算法精度。比如在使用这套框架后，Google内部语音识别的错误率降低了25%。

后来，Google决定将DistBelief打造成更加稳健、快速、通用的机器学习框架，调动了相当多的工程师和科学家投入到对DistBelief的改造，这其中就包括大名鼎鼎的Jeff Dean。有了这样的豪华开发阵容，DistBelief迅速成熟蜕变，成为一个高鲁棒和工业级的机器学习框架，这就是后来于2015年11月发布的TensorFlow 0.1 版。

虽然相较于较早开源的Caffe、MXNet等优秀的机器学习框架，TensorFlow还略显年轻，但是作为Google内部的第二代机器学习框架，TensorFlow有了更加有趣的灵魂。相较于侧重于卷积的Caffe与刚从校园走出来的MXNet，TensorFlow以更加成熟完备的姿态展露锋芒。它是基于DataFlow的计算模型，算子相组合形成一个计算图，计算的过程就是数据在这个计算图的节点进行计算并流动。同时，这个计算图可以被切成不同的子图，并分配到不同的Device上，包括CPU、GPU和其他的计算设备，这样天然地对分布式友好。此外，TensorFlow从一开始就被设计成运行在多个平台上，如inference可以运行在iOS和Android设备上，训练则可以运行在不同的硬件设备上。

2016年4月14日，Google发布了分布式TensorFlow，版本号为 0.8，这是TensorFlow发布之后的比较重大的版本更新。Google的博文介绍了TensorFlow在图像分类的任务中，在100个GPUs和不到65小时的训练时间下，达到了78%的正确率。在激烈的商业竞争中，更快的训练速度是人工企业的核心竞争力。而分布式TensorFlow意味着它能够真正大规模进入到人工智能产业中，产生实质性影响。

在2016年6月，TensorFlow发布了新版本的早期版本，版本号为 0.9，增加了对iOS的支持。随着谷歌增加了TensorFlow对iOS的支持，应用程序将能够在更聪明的功能集成到它们的应用程序，最终使它们更聪明和能干。

从 0.9 版本开始，TensorFlow 支持了多平台，并且进入高速发展时期，开始不断赶超并拉开与其他深度学习框架的距离。虽只是源起，却锋芒毕露，初现王霸之气。

2 中原逐鹿·盛极

时间到了，2017年1月初，谷歌公布了 TensorFlow 1.0.0-alpha ，即 TensorFlow 1.0 的第一个“草稿”版本。2017年2月，TensorFlow在发布了1.0.0版本，也标志着稳定版的诞生。

与已有版本相比，全新的 TensorFlow 1.0 主要有以下改进：

更快：TensorFlow 1.0超乎想象地快！TensorFlow 1.0 为未来更多的性能改进打下了基础，而tensorflow.org 现在可提供模型优化的提示和技巧，以达到最高速度。

更灵活：TensorFlow 1.0 为 TensorFlow 引进了带有 tf.layers，tf.metrics 和 tf.losses 模块的高级别应用程序界面。TensorFlow 团队引进能够与 Keras完全兼容的新 tf.keras 模块。

随时就绪：TensorFlow 1.0 可确保 Python 应用程序界面的稳定性Python能够在不打破现有代码的情况下，更容易地获取新功能。

1.0 版本不仅为 TensorFlow 机器学习函数库带来多重升级，而且为 Python 和 Java 用户使用TensorFlow 做开发降低了难度。另外，新版本的修补也得到了改善。更有意思的是，由于对TensorFlow 计算做优化的新编译器，在智能手机上运行基于 TensorFlow 的机器学习 APP 将成为可能。Tensorflow它已成为 GitHub 最受欢迎的开源项目。

下图是KDnuggets网站对2018年的机器学习框架的使用做的一个调查统计，可以看出当时TensorFlow已经遥遥领先于其他竞争（Keras 是一个上层封装，底层调用的还是 TensorFlow），奠定了其深度学习霸主的地位。

中国有句古话：盛极必衰，否极泰来，这句话对于Google的 TensorFlow 也同样适用。1.x 版本在高速发展过程中，也为自己后来发展筑起一道山，TensorFlow也产生了很多被人诟病的地方，比如API的稳定性、效率和基于静态计算图的编程上的复杂性等。同时，坚持静态图模式也培养起来了足以撼动TensorFlow 霸主地位的框架（上述图中默默无闻的第三名，后来强势崛起的PyTorch）。

1.x 版本后期，TensorFlow发展由于自身原因（1. 为自己后来发展筑起一道山 2.坚持静态图模式）遭遇到瓶颈。PyTorch以动态图开发模式，统一化的模块命名方式，更加人性化的编程的方式（Pythonic），强势出道。这些优势无一不击中TensorFlow的痛点，不断追赶、威胁TensorFlow霸主地位。

下图通过搜索全世界对机器学习和人工智能类别的兴趣(Google Interest)，采用过去六个月的平均兴趣分数，并将其与前六个月的平均兴趣分数进行了比较。可以看出，TensorFlow 的平均兴趣分数处于下降状态，PyTorch却呈上升趋势。

下面谷歌的图表显示了过去一年的搜索兴趣。TensorFlow为蓝色，Keras为黄色，PyTorch为红色，fastai为绿色。可以看出TensorFlow总体呈现下降趋势，而PyTorch却呈现持续增长姿态，不断缩小与TensorFlow的距离。

按这样的趋势，PyTorch在用户搜索兴趣方面追赶上TensorFlow指日可待了，TensorFlow遭遇到出生以来最大的挑战（其实TensorFlow也就才三岁多）。TensorFlow会如何应对这个挑战呢？是按部就班，在1.x版本上进行小修小补，得过且过（这个词用得有些过了，之所以会用是刚好写到这里的时候听到这首歌，同时这个词语与表达笔者对上述方法的不苟同）；还是推倒重来，重新设计新版TensorFlow，涅槃重生。这个选择会关乎到以后TensorFlow数年的发展和与PyTorch竞争的成败。笔者相信，Google 并不会做选择，小孩才会做选择，大人全都要。以谷歌的巨大体量，在内部执行两个方案，最后看市场反馈推出最合适的。Google是大公司，以稳为主的策略还是很容易让人理解的。

3 王者归来·槃涅

我们都知道Google推出了后者方案，选择涅槃重生，重塑自身。那么全新的TensorFlow 2.0 究竟新在哪里呢？TensorFlow官网给出了答复：

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：https://www.tensorflow.org/

几乎每一条都直击TensorFlow1.x用户的痛点，广大使用TensorFlow1.x转到PyTorch的用户表示TensorFlow 2.0 真香，纷纷倒戈。

Google深度学习科学家以及Keras的作者表示，TensorFlow 2.0 是一个新时代的机器学习平台，这将改变了一切。深度学习研究和教育者、fast.ai创始人Jeremy Howard也称赞 2.0 版本的发布是”令人兴奋的一步，与TensorFlow一代相比是一个巨大的飞跃“。目前GitHub上排名第一的NLP机器学习课程practicalAI的作者以及苹果公司AI研究员Goku Mohandas在推特上说，他们正在从PyTorch转向TensorFlow 2.0。

此后，PyTorch在与TensorFlow的争霸中将再难有胜算，TensorFlow 1.x 版本的失误给了PyTorch赶超的机会，PyTorch已尽力追赶了，但是还是没有实现赶超。Now，TensorFlow 2.0 已经补全缺点，同时具备比PyTorch更加完备的多平台支持、更成熟的部署方式与数量巨大的用户基数。如果PyTorch早出生一年，或者TensorFlow 2.0 晚发布一年，PyTorch还是有机会的，但是没有如果，Google依旧是最强大科技公司之一，很难反复给对手机会赶超。TensorFlow再次呈现对于其他框架压倒式优势，实现王者归来。

4 终章

TensorFlow从最开始 0.1 版本诞生时受到广泛关注，到 1.0 版本的全面爆发，再到今年 2.0 版本正式发布，它已趋于完美。TensorFlow的成长依托于Google的强大研发与号召力，但TensorFlow的成功更归功于设计的完备性、审时度势和适时革新。

经历四年时光，TensorFlow的发展与成功离不开先天的优秀天赋（Google Brain），更有赖于后天的努力拼搏（适时革新）。有天分又有努力，TensorFlow的成功理所应当。