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，欢迎关注编程网行业资讯频道。
