TensorFlow（TF）社区和Google的团队了作为TF API重要扩展的。

Tensor2Tensor（T2T）解决了在TF上训练和执行模型的模块化和可移植性问题。它将常用的深度学习模型管道抽象成一个可扩展的对象模型，并提供了TF训练所需要的标准API。T2T的目标之一是要降低模型训练管道和执行环境的重复性成本，同时减少基于TF现有API进行常见操作的工作量，这些操作原本很难在用户之间共享，它们有些只能用于解决特定的问题。

T2T基于现有的TF库执行很多操作，包括模型架构、优化器、学习率衰退、scheme和超参数。它还提供了一些预训练过的模型和样本数据集、默认的模型规范，以及和的控制方法。这样有助于用户重复实验、比较和交换结果，让他们专注在课题研究上，而不是把大量精力花费在编排TF管道环境上。

T2T的数据集为标准的 protobuf文件，训练数据集可以通过用户自定义的子类来生成，或者通过Python装饰器和直接函数调用的方式来生成。Problem对象由训练时间超参数和它们的输入输出形态及数据集组成。Problem提供了一些方法用于处理编码、文件路径、输入输出目标、超参数和默认属性值。模型的（如模型准确度）也被封装在Problem中。超参数集合通过注册成对象。

训练可以被配置成同步或异步模式。通过环境变量TF_CONFIG可以指定master服务器和参数服务器，支持grpc和gpu群组，以及计算资源的逻辑集群。

查看英文原文：