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

　　主要特性和改進

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

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

　　· 不推薦使用 SWIG，而是使用 pybind11 將 C++ 函數導出到 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，添加了對全局同步 BatchNormalization 的支持。該層將在參與同步訓練的所有副本之間同步 BatchNormalization 統計信息。

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

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

　　支持在 float16 中減少梯度。

　　所有實驗的支持都減少了梯度壓縮，以允許使用反向路徑計算進行重疊梯度聚合。

　　棄用 experimental_run_v2 方法。

　　添加對 DistributedIterators 的 CompositeTensor 支持。這應該有助于防止不必要的功能跟蹤和內存泄漏。

　　· tf.keras：

　　Model.fit 的主要改進：

　　可以通過覆蓋 Model.train_step 將自定義訓練邏輯與 Model.fit 結合使用。

　　輕松編寫最新的培訓循環(huán)，而不必擔心 Model.fit 為你處理的所有功能(分發(fā)策略，回調，數據格式，循環(huán)邏輯等)

　　SavedModel 現在使用其自己的 Model._saved_model_inputs_spec attr 而不是依賴于不再為子類 Model 設置的 Model.inputs 和 Model.input_names。

　　生成器支持動態(tài)形狀。

　　現在，SavedModel 格式支持所有 Keras 內置層(包括指標，預處理層和有狀態(tài) RNN 層)。

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

　　· tf.lite：

　　默認情況下啟用 TFLite 實驗性新轉換器。

　　· XLA

　　XLA 現在可以在 Windows 上構建并運行。所有預構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：本網內容轉載自其他媒體，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創(chuàng)性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。