TensorFlow 2.2.0 正式發(fā)布了，該版本終止了對(duì) Python 2 的支持�，F(xiàn)在，新的 TensorFlow Docker 鏡像版本僅提供 Python 3。

　　主要特性和改進(jìn)

　　· 將字符串張量的標(biāo)量類型從 std::string 替換為 tensorflow::tstring

　　· TF 2 的新 Profiler，用于 CPU/GPU/TPU。它提供設(shè)備和主機(jī)性能分析，包括輸入管道和 TF Ops。

　　· 不推薦使用 SWIG，而是使用 pybind11 將 C++ 函數(shù)導(dǎo)出到 Python，這是棄用 Swig 所作努力的一部分。

　　· tf.distribute：

　　通過使用新添加的 tf.keras.layers.experimental.SyncBatchNormalization 層，添加了對(duì)全局同步 BatchNormalization 的支持。該層將在參與同步訓(xùn)練的所有副本之間同步 BatchNormalization 統(tǒng)計(jì)信息。

　　使用 tf.distribute.experimental.MultiWorkerMirroredStrategy 提高 GPU 多工分布式培訓(xùn)的性能

　　將 NVIDIA NCCL 更新到 2.5.7-1，以獲得更好的性能和性能調(diào)整。

　　支持在 float16 中減少梯度。

　　所有實(shí)驗(yàn)的支持都減少了梯度壓縮，以允許使用反向路徑計(jì)算進(jìn)行重疊梯度聚合。

　　棄用 experimental_run_v2 方法。

　　添加對(duì) DistributedIterators 的 CompositeTensor 支持。這應(yīng)該有助于防止不必要的功能跟蹤和內(nèi)存泄漏。

　　· tf.keras：

　　Model.fit 的主要改進(jìn)：

　　可以通過覆蓋 Model.train_step 將自定義訓(xùn)練邏輯與 Model.fit 結(jié)合使用。

　　輕松編寫最新的培訓(xùn)循環(huán)，而不必?fù)?dān)心 Model.fit 為你處理的所有功能(分發(fā)策略，回調(diào)，數(shù)據(jù)格式，循環(huán)邏輯等)

　　SavedModel 現(xiàn)在使用其自己的 Model._saved_model_inputs_spec attr 而不是依賴于不再為子類 Model 設(shè)置的 Model.inputs 和 Model.input_names。

　　生成器支持動(dòng)態(tài)形狀。

　　現(xiàn)在，SavedModel 格式支持所有 Keras 內(nèi)置層(包括指標(biāo)，預(yù)處理層和有狀態(tài) RNN 層)。

　　更新 Keras 批處理規(guī)范化層，以使用 fused_batch_norm 中的運(yùn)行平均值和平均值計(jì)算。

　　· tf.lite：

　　默認(rèn)情況下啟用 TFLite 實(shí)驗(yàn)性新轉(zhuǎn)換器。

　　· XLA

　　XLA 現(xiàn)在可以在 Windows 上構(gòu)建并運(yùn)行。所有預(yù)構(gòu)建的軟件包都隨附有 XLA。

　　可以在 CPU 和 GPU 上使用“編譯或拋出異常”語義為 tf.function 啟用 XLA。

　　新版本包含大量 bug 修復(fù)等，詳情可見更新說明：

　　https://github.com/tensorflow/tensorflow/releases/tag/v2.2.0

特別提醒：本網(wǎng)內(nèi)容轉(zhuǎn)載自其他媒體，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系我們，本站將會(huì)在24小時(shí)內(nèi)處理完畢。