本文由Azure机器学习项目经理Abe Omorogbe和Azure机器学习项目经理John Wu共同撰写祝贺TensorFlow社区发布了TensorFlow 2.0！在这个博客中，我们的目标是强调Azure可以简化TensorFlow模型的构建、培训和部署的一些方法。除了阅读此博客，还可以查看下面更详细讨论的演示，演示如何使用Azure中的TensorFlow 2.0微调BERT（来自变压器的双向编码器表示）模型，以自动标记问题。TensorFlow1.x是一个强大的框架，它使从业者能够大规模地构建和运行深度学习模型。TensorFlow 2.0建立在TensorFlow 1.x功能的基础上，它与Keras（构建神经网络的库）更紧密地集成在一起，默认情况下启用了急切模式，并实现了一个简化的API表面。Azure上的TensorFlow 2.0我们将Tensorflow 2.0与Azure机器学习服务集成，使您的Tensorflow工作负载尽可能无缝地引入Azure。Azure机器学习服务提供了一个SDK，允许您在首选框架中编写机器学习模型，并在您选择的计算目标上运行它们，包括Azure中的单个虚拟机（VM）、Azure中的GPU（图形处理单元）群集或本地机。Azure Machine Learning SDK for Python有一个专用的TensorFlow估计器，可以轻松地在您选择的任何计算目标上运行TensorFlow培训脚本。此外，Azure机器学习服务笔记本电脑VM预装了TensorFlow 2.0，这使得运行使用TensorFlow 2.0的Jupyter笔记本变得更加容易。关于Azure演示的TensorFlow2.0：使用tf2.0、Azure和BERT自动标记问题正如我们所提到的，TensorFlow2.0使我们很容易开始构建深度学习模型。在Azure上使用TensorFlow 2.0，无论您的应用程序是什么，都可以轻松获得Microsoft全球企业级云的性能优势。为了强调在Azure中TensorFlow 2.0的端到端使用，我们准备了一个研讨会，将在TensorFlow World上进行，讨论如何使用TensorFlow 2.0来培训一个BERT模型，为在线提问的问题建议标签。查看完整的GitHub存储库，或者浏览下面的更高级别的概述。演示目标为了与微软强调的对客户的痴迷保持一致，Azure工程团队试图在在线论坛上帮助回答用户的问题。只有当我们知道问题存在时，Azure团队才能回答问题，而提醒我们注意新问题的一种方式就是观察用户应用的标签。用户可能并不总是知道应用于给定问题的最佳标记，所以让AI代理自动为新问题建议好的标签是很有帮助的。我们的目标是训练一个人工智能代理自动标记新的Azure相关问题。培训首先，查看培训笔记本。在azuredatabricks中准备好数据之后，我们使用Azure机器学习服务TensorFlow估计器类在azuregpu集群上训练Keras模型。注意集成Keras、TensorFlow和Azure的计算基础设施是多么容易。我们可以使用run对象轻松地监视训练的进度。推断接下来，打开推理笔记本。Azure简化了将经过训练的TensorFlow 2.0模型部署为REST端点，以便获得与新问题相关联的标签。机器学习操作接下来，打开机器学习操作说明。如果我们打算在生产环境中使用该模型，我们可以使用ML Ops为管道带来额外的健壮性，这是微软提供的一种将DevOps思维引入机器学习的产品，使多个数据科学家能够在同一个模型上工作，同时确保只有满足特定标准的模型才会投入生产。下一步行动TensorFlow 2.0为深入学习的从业者打开了令人兴奋的新视野，无论是旧的还是新的。如果您想开始，请查看以下资源：TensorFlow 2.0发布Azure上的TensorFlow估计器