TensorFlow 2.2.0 lançado um novo release candidate. TensorFlow 2.2.0 Principais recursos e melhorias incluem o seguinte:
- Corda tensor tipo escalar a partir
std::string
substituídotensorflow::tstring
- TF nova Profiler 2 para CPU / GPU / TPU. Ela fornece um dispositivo de análise de desempenho e um hospedeiro, que compreende uma entrada de conduta e TF oper.
- Não recomendado para uso SWIG, mas usos pybind11 para exportar funções C ++ para Python, que é parte de um esforço abandonado Swig.
tf.distribute
:- Usando tf.keras.layers.experimental.SyncBatchNormalization camada recém-adicionado, acrescentando ao suporte global sincronização BatchNormalization. Esta camada será sincronizado BatchNormalization informação estatística entre todas as cópias participar do treinamento de sincronização.
- Tf.distribute.experimental.MultiWorkerMirroredStrategy melhorar a formação de desempenho multi-GPU distribuídos
- A atualização NVIDIA NCCL a 2.5.7-1, para melhor desempenho e ajuste de desempenho.
- Suporte reduzir o float16 gradiente.
- Todas as experiências têm reduzido apoio compressão gradiente, para permitir que o caminho inverso, sobreposto polimerização cálculo gradiente.
tf.keras
:Model.fit
As principais melhorias:- Ele pode ser usado em conjunto com Model.fit lógica personalizada treinado por cobrindo Model.train_step.
- Facilmente escrever um novo ciclo de formação, sem ter que se preocupar com todas as características que você processo Model.fit (política de distribuição, callback, formato de dados, lógica circular, etc.)
- Agora, formato SavedModel Keras construído para suportar todas as camadas (incluindo índice, a camada de pré-tratamento e camada com estado RNN)
tf.lite
:- Ativar TFLite novo conversor experimental por padrão.
- XLA
- XLA podem agora construir e executar no Windows. Todos os pacotes pré-construídos são enviados com XLA.
- Ele pode ser usado na CPU e GPU semântica "compilados ou jogados" tf.function permitir XLA.
A nova versão inclui a actualização de um grande número de correções de bugs e outros detalhes podem ser encontrados:
https://github.com/tensorflow/tensorflow/releases/tag/v2.2.0-rc1