Keras API使得上手TensorFlow非常容易。重要的是，Keras提供了几个模型构建API(Sequential、Functional以及Subclassing)，因此用户可以选择正确的抽象化(abstraction)级别，TensorFlow的实现包含增强功能，包括eager execution、立即迭代(immediate iteration)和直观调试(intuitive debugging)，以及tf.data，用于构建可扩展的输入pipeline。

TensorFlow的实现包含增强功能，包括急切执行，立即迭代和直观调试，以及tf.data，用于构建可扩展的输入管道。

2.3 Premade Estimators

Estimators评估器是TensorFlow用于实现一个完整的模型的最高层表示它可以处理参数初始化、日志记录、保存和恢复模型等功能。
更详细的介绍以及API可以戳这里
TensorFLow提供了很多的预先写好的评估器，包括DNNClassifier, DNNRegressor, LinearClassifier.

一开始学习的时候可以直接使用tf提供的这些评估器，有经验之后也可以自己实现一个。
要使用tf预先写好的estimator，必须依次完成以下工作：

创建一个或多个输入函数
定义模型的特征列。
实例化estimator对象，并指定特征列和各种超参数。
在estimator对象上调用一个或多个方法，传递适当的输入函数作为数据源。

2.4 distribution strategy

使用分布式策略进行分布式训练。

对于大型机器学习训练任务，分布式策略API可以轻松地在不同硬件配置上分配和训练模型，无需更改模型的定义。由于TensorFlow支持各种硬件加速器，如CPU，GPU和TPU，因此用户可以将训练负载分配到单节点/多加速器以及多节点/多加速器配置上（包括TPU Pod）。这个API支持多种群集化配置，也提供了在本地或云环境中部署Kubernetes群集训练的模板。

2.5 SaveModel

TensorFlow将对Saved Model进行标准化，作为TensorFlow服务的一部分，他将成为TensorFlow Lite、TensorFlow.js、TensorFlow Hub等格式的可互换格式。

TensorFlow始终为生产提供了直接部署方式。无论是部署在服务器、边缘设备还是Web上，TensorFlow都可以让用户对模型实现轻松训练和部署。无论用户使用何种语言或平台。在TensorFlow 2.0中，我们通过标准化互换格式和API对齐来提高跨平台和组件的兼容性。

TensorFlow服务：TensorFlow库，允许通过HTTP / REST或gRPC /协议缓冲区提供模型。
TensorFlow Lite：TensorFlow针对移动和嵌入式设备的轻量级解决方案提供了在android，ios和嵌入式系统（如Raspberry Pi和Edge TPU）上部署模型的功能。
TensorFlow.js：允许在javascript环境下部署模型，如在Web浏览器或服务器端通过Node.js实现部署。TensorFlow.js还支持使用类似Keras的API在JavaScript中定义模型并直接在Web浏览器中进行训练。
TensorFlow还支持其他语言，包括C，Java，Go，C＃，Rust，Julia，R等。