TensorFlow2.0的基本框架如下图：

使用tf.data来加载数据，使用tf.keras构建模型或使用Premade Estimators来验证，还可以使用TensorFlow Hub进行迁移学习，在CPU,GPU或TPU上来运行，保存模型后进行部署。

1 模型的开发流程

• 使用tf.data加载数据
• 使用tf.keras构建模型或使用Premade Estimators来验证，还可以使用TensorFlow Hub进行迁移学习。
• 使用eager mode进行运行和调试
• 使用分发策略来进行分布式训练
• 导出到SaveModel
• 使用TensorFlow Serve，TensorFlow Lite，TensorFlow.js部署模型

2 keras和TensorFlow

2.1 keras

• keras是基于Python的高级神经网络API
• keras运行需要一个后端，例如TensorFlow，CNTK,Theano
• 目前keras默认后端为TensorFlow

2.2 TensorFlow-keras

• TensorFlow-keras是TensorFlow对keras API在TensorFlow环境下的规范实现
• 相对于TensorFlow为后端的keras，TensorFlow-keras与TensorFlow结合更加紧密
• 实现在tf.keras下。

2.3 tf.keras与keras

tf.keras与keras基于同一套API

• keras程序可以通过修改导入方式，轻松转为tf.keras程序
• 反之可能不成立，因为tf.keras有其他特性
• tf.keras全面支持eager mode(用于实现动态图)
• 只是用keras.Sequential和keras.Model时，二者没有区别
• 自定义Model内部运算逻辑的时候会有区别：
  * tf.keras可以使用TensorFlow底层的API，更适用于研究人员。
• tf.keras支持基于tf.data的模型训练
• tk.keras支持TPU训练
• tf.keras支持tf.distribution中的分布式策略
• tf.keras可以与TensorFlow中的estimator集成
• tf.keras可以保存为SavedModel,