共計 1262 個字符，預計需要花費 4 分鐘才能閱讀完成。

本篇文章為大家展示了關于 Keras 2.3.0 發布中的 TensorFlow 2.0 分析，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

Keras 主要關注 tf.keras，同時繼續支持 Theano/CNTK

此版本附帶了許多 API 更改，以使多后端 Keras API 與 TensorFlow 的高級 API tf.keras“同步”。但是，有些 TensorFlow 2.0 功能不受支持。這就是團隊建議開發人員在 TensorFlow 2.0 中將他們的 Keras 代碼切換到 tf.keras 的原因。

遷移到 tf.keras 將使開發人員能夠訪問諸如快速執行，TPU 培訓以及低級 TensorFlow 與 Layer 和 Model 等高級概念之間更好的集成。

在此版本發布后，該團隊計劃主要關注 tf.keras 的進一步發展。“發展將重點關注未來的發展。我們將在未來 6 個月內繼續維護多后端 Keras，但我們只會合并錯誤修復。API 更改將不會被移植，“該團隊寫道。

為了讓社區更容易為 Keras 的開發做出貢獻，該團隊將在 keras-team/keras 的獨立 GitHub 存儲庫中開發 tf.keras。

Keras 2.3.0 中的 API 更新

以下是 Keras 2.3.0 中的一些 API 更新：

add_metric 方法被添加到 Layer/Model，它類似于 add_loss 方法，但是用于指標。

Keras 2.3.0 引入了幾個基于類的丟失，包括 MeanSquaredError，MeanAbsoluteError，BinaryCrossentropy，Hinge 等。通過此更新，可以通過構造函數參數來參數化丟失。

添加了許多基于類的度量標準，包括 Accuracy，MeanSquaredError，Hinge，FalsePositives，BinaryAccuracy 等。此更新使度量標準可以通過構造函數參數進行有狀態和參數化。

train_on_batch 和 test_on_batch 方法現在有一個名為 resent_metrics 的新參數。您可以將此參數設置為 True，以便在編寫較低級別的培訓或評估循環時維護不同批次的度量標準狀態。

model.reset_metrics() 方法被添加到 Model 中，以便在編寫較低級別的訓練或評估循環時清除紀元開始時的度量標準狀態。

Keras 2.3.0 的重大變化

隨著 API 的變化，Keras 2.3.0 包含一些重大變化。在此版本中，不推薦使用 batch_size，write_grads，embeddings_freq 和 embeddings_layer_names，因此在與 TensorFlow 2.0 一起使用時會被忽略。現在將根據用戶指定的確切名稱報告指標和損失。此外，默認的重復激活在所有 RNN 層中從 hard_sigmoid 更改為 sigmoid。

上述內容就是關于 Keras 2.3.0 發布中的 TensorFlow 2.0 分析，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注丸趣 TV 行業資訊頻道。