共计 1262 个字符，预计需要花费 4 分钟才能阅读完成。
本篇文章为大家展示了关于 Keras 2.3.0 发布中的 TensorFlow 2.0 分析，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
Keras 主要关注 tf.keras，同时继续支持 Theano/CNTK
此版本附带了许多 API 更改，以使多后端 Keras API 与 TensorFlow 的高级 API tf.keras“同步”。但是，有些 TensorFlow 2.0 功能不受支持。这就是团队建议开发人员在 TensorFlow 2.0 中将他们的 Keras 代码切换到 tf.keras 的原因。
迁移到 tf.keras 将使开发人员能够访问诸如快速执行，TPU 培训以及低级 TensorFlow 与 Layer 和 Model 等高级概念之间更好的集成。
在此版本发布后，该团队计划主要关注 tf.keras 的进一步发展。“发展将重点关注未来的发展。我们将在未来 6 个月内继续维护多后端 Keras，但我们只会合并错误修复。API 更改将不会被移植，“该团队写道。
为了让社区更容易为 Keras 的开发做出贡献，该团队将在 keras-team/keras 的独立 GitHub 存储库中开发 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，它类似于 add_loss 方法，但是用于指标。
Keras 2.3.0 引入了几个基于类的丢失，包括 MeanSquaredError，MeanAbsoluteError，BinaryCrossentropy，Hinge 等。通过此更新，可以通过构造函数参数来参数化丢失。
添加了许多基于类的度量标准，包括 Accuracy，MeanSquaredError，Hinge，FalsePositives，BinaryAccuracy 等。此更新使度量标准可以通过构造函数参数进行有状态和参数化。
train_on_batch 和 test_on_batch 方法现在有一个名为 resent_metrics 的新参数。您可以将此参数设置为 True，以便在编写较低级别的培训或评估循环时维护不同批次的度量标准状态。
model.reset_metrics() 方法被添加到 Model 中，以便在编写较低级别的训练或评估循环时清除纪元开始时的度量标准状态。
Keras 2.3.0 的重大变化
随着 API 的变化，Keras 2.3.0 包含一些重大变化。在此版本中，不推荐使用 batch_size，write_grads，embeddings_freq 和 embeddings_layer_names，因此在与 TensorFlow 2.0 一起使用时会被忽略。现在将根据用户指定的确切名称报告指标和损失。此外，默认的重复激活在所有 RNN 层中从 hard_sigmoid 更改为 sigmoid。
上述内容就是关于 Keras 2.3.0 发布中的 TensorFlow 2.0 分析，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注丸趣 TV 行业资讯频道。
