简介
TensorFlow 是谷歌的第二代机器学习系统，按照谷歌所说，在某些基准测试中，TensorFlow的表现比第一代的DistBelief快了2倍。
TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用TensorFlow。任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分 化（auto-differentiation）。通过灵活的Python接口，要在TensorFlow中表达想法也会很容易。
发布内容
TensorFlow 2.2.0 正式发布了，该版本终止了对 Python 2 的支持。现在，新的 TensorFlow Docker 镜像版本仅提供 Python 3。
主要特性和改进
- 将字符串张量的标量类型从 std::string 替换为 tensorflow::tstring
- TF 2 的新 Profiler，用于 CPU/GPU/TPU。它提供设备和主机性能分析，包括输入管道和 TF Ops。
- 不推荐使用 SWIG，而是使用 pybind11 将 C++ 函数导出到 Python，这是弃用 Swig 所作努力的一部分。
- tf.distribute：通过使用新添加的 tf.keras.layers.experimental.SyncBatchNormalization 层，添加了对全局同步 BatchNormalization 的支持。该层将在参与同步训练的所有副本之间同步 BatchNormalization 统计信息。使用 tf.distribute.experimental.MultiWorkerMirroredStrategy 提高 GPU 多工分布式培训的性能将 NVIDIA NCCL 更新到 2.5.7-1，以获得更好的性能和性能调整。支持在 float16 中减少梯度。所有实验的支持都减少了梯度压缩，以允许使用反向路径计算进行重叠梯度聚合。弃用 experimental_run_v2 方法。添加对 DistributedIterators 的 CompositeTensor 支持。这应该有助于防止不必要的功能跟踪和内存泄漏。
- tf.keras：Model.fit 的主要改进：可以通过覆盖 Model.train_step 将自定义训练逻辑与 Model.fit 结合使用。轻松编写最新的培训循环，而不必担心 Model.fit 为你处理的所有功能（分发策略，回调，数据格式，循环逻辑等）SavedModel 现在使用其自己的 Model._saved_model_inputs_spec attr 而不是依赖于不再为子类 Model 设置的 Model.inputs 和 Model.input_names。生成器支持动态形状。现在，SavedModel 格式支持所有 Keras 内置层（包括指标，预处理层和有状态 RNN 层）。更新 Keras 批处理规范化层，以使用 fused_batch_norm 中的运行平均值和平均值计算。
- tf.lite：默认情况下启用 TFLite 实验性新转换器。
- XLAXLA 现在可以在 Windows 上构建并运行。所有预构建的软件包都随附有 XLA。可以在 CPU 和 GPU 上使用“编译或抛出异常”语义为 tf.function 启用 XLA。
分享到:
關鍵字: experimental fit 使用
