Примечание Этот вопрос не о том, как преобразовать код tenorflow 1.x в код тензорного потока 2.x, который выполняется https://www.tensorflow.org/guide/upgrade и иногда tf.compat.v1.some_tensorflow_v1_thing.
В настоящее время я работаю над реализацией yolov3 для обнаружения объектов с использованием кератов с тензорным потоком 2.x в качестве бэкэнда, включая большинство существующих в настоящее время реализаций, которые я нашел (и этот список не является исчерпывающим) :
не оптимизированы для тензорного потока 2.x, что подразумевает, что время от времени я могу встретить tf.session(), tf.to_float(), tf.assign_add() ... Вопрос заключается в том, как использовать недавно появившиеся функции tenorflow 2.0 и применить их в реализации, над которой я работаю, и не ограничиваясь ими (обучение модели, построение модели, оптимизация gpu / cpu). / распараллеливание, производительность, точность ...) или другими словами, что нужно принимать во внимание n, которые бы поддерживали различные компоненты с точки зрения производительности / скорости / точности ... что хорошего / что должно быть в таких особенностях реализации tennflowflow 2.x, которых не имеет tenenslow 1.x? И, конечно, тот же вопрос относится к keras 2.3.0, если есть и другие подходящие вещи.