Performance 如何在目标检测培训和评估中充分利用tensorflow 2.x？

注意这个问题不是关于如何将tensorflow 1.x代码转换为tensorflow 2.x代码，这是由tf.compat.v1.some_tensorflow_v1_thing完成的

我目前正在使用keras和tensorflow 2.x作为后端来实现对象检测，我发现的大多数现有实现包括（列表并不详尽）：

没有针对tensorflow 2.x进行优化，这意味着我不时会遇到

tf.session（）

，

tf.to\u float（）

，

tf.assign\u add（）

。。。问题是，如何利用新引入的tensorflow 2.0特性，并将其应用到我正在进行的实现中 以下且不限于（模型训练、模型构建、gpu/cpu优化/并行化、性能、精度…）或换句话说，在性能/速度/精度方面，需要考虑哪些因素来提高不同组件的性能。。。在tensorflow 2.x的实现特性中，tensorflow 1.x没有什么好的/必须的东西？当然，同样的问题也适用于keras 2.3.0，如果还有适用的东西的话