开源深度学习函数库TensorFlow团队在今年初不断发布2.0的消息，春季也推出了Alpha测试版，而现在终于在TensorFlow World大会上，正式发布了TensorFlow 2.0.0。这个版本重点摆在易用性的改进，加强与Python开源神经网络函数库Keras的集成，并且简化API降低功能重复。
TensorFlow 2.0集成Keras作为构建和训练模型的中央高端API，Keras提供了一些模型构建的API，可用来创建像是串行式（Sequential）、功能式（Functional）和子类别（Subclassing）等模型。而这些API可以与Eager Execution功能结合使用，Eager Execution是TensorFlow的命令式程序开发环境，能立即执行程序代码评估操作，让开发者快速对程序代码调试并进行迭代。另外，Keras模型构建API也可以结合tf.data，构建可扩展的出入工作管线。
而TensorFlow 2还更新了分布式训练策略，开发者可以使用tf.distribute.Strategy API，以最少的程序代码变动分散模型训练，进而获得良好的性能，这个API也支持Keras model.fit分布式训练以及自定义训练循环，同时还支持多GPU训练，目前多重Worker和Cloud TPUs进入实验性支持阶段。
官方提到，他们不鼓励开发者使用传统的声明式程序设计模型构建图（Graph），接着并通过tf.Session来执行，而是应该要以正规的Python函数写法代替。使用tf.function装饰器（Decorator）可以将函数转换为图，这些图可以远程执行、串行化以及进行性能优化。
现在TensorFlow交换格式都与SavedModel统一，所有TensorFlow生态系统的项目，像是TensorFlow Lite、TensorFlow JS、TensorFlow Serving和TensorFlow Hub项目都接受SavedModel。SavedModel格式内容具有完整的TensorFlow程序，包含权重和计算，不需要原始构建模型的程序代码就能执行，这对于模型共享或是部署非常有用。
开发团队为TensorFlow 2的API进行了调整，许多API符号经重命名或是删除，参数名称也被更改，整体来说，调整后能让API的使用体验更加一致清楚。