机器之心报道
编辑：陈萍
TensorFlow 2.8.0 来了 。近日 TensorFlow 官方发布了 2.8.0 正式版 ， 距离上次 2.7 版本的更新过去没多久 ， 新版本提供了更多的 bug 修复和功能改进 ， 此外新版本还针对漏洞发布了补丁 。
文章图片
对于 TensorFlow 2.8.0 的上线 ， 网友也纷纷感叹 ， 这次的 Bug 修复也太棒了！
文章图片
不过也有网友已经迫不及待的期待 TensorFlow 3.0 的到来 ， 并表示 TensorFlow 1 到 TensorFlow 2 是一个巨大的飞跃 ， 将来 2 到 3 又会有哪些亮眼的表现呢？
文章图片
众所周知 ， TensorFlow 由谷歌开发 ， 最初版本可追溯到 2015 年开源的 TensorFlow0.1 ， 之后发展稳定 ， 拥有强大的用户群体 ， 成为最受欢迎的深度学习框架 。 但是用户在使用时 ， 也暴露了 TensorFlow 缺点 ， 例如 API 稳定性不足、静态计算图编程复杂等缺陷 。 因此在 TensorFlow2.0 版本 ， 谷歌将 Keras 纳入进来 ， 成为 tf.keras ， 到目前为止 ， TensorFlow 已经更新到 2.8 版本 ， 那么新版本有哪些重要的改进呢？
TensorFlow 2.8.0 主要功能和改进
在 tf.lite 中 ， 增加了 TFLite 内置 op 支持以下功能：
- tf.raw_ops.Bucketize op 可在 CPU 上操作；
- tf.where op 可用于数据类型 tf.int32、tf.uint32、tf.int8、tf.uint8、tf.int64；
- tf.random.normal op 用于在 CPU 上输出数据类型 tf.float32；
- tf.random.uniform op 用于在 CPU 上输出数据类型 tf.float32；
- f.random.categorical op 用于在 CPU 上的输出数据类型 tf.int64 。
- Conversion_params 在 TrtGraphConverterV2 中被弃用 ， 现在可以支持参数 max_workspace_size_bytes、precision_mode、minimum_segment_size、maximum_cached_engines、use_calibration 和 allow_build_at_runtime；
- 在 TrtGraphConverterV2 中的 .save () 函数中添加了一个名为 save_gpu_specific_engines 的新参数 。 当为 False 时 ， .save () 函数不会保存任何已构建的 TRT 引擎；如果为 True（默认） ， 则保留原始行为；
- TrtGraphConverterV2 提供了一个名为 .summary () 的新 API 。 它显示了每个 TRTEngineOp 及其输入和输出的形状和 dtype ， 并提供了详细版本摘要 。
- tf.tpu.experimental.embedding.FeatureConfig 增加了一个额外的参数 output_shape ， 它可以指定特征输出激活的形状；
- tf.tpu.experimental.embedding.TPUEmbedding 现在具有与 tf.tpu.experimental.embedding.serving_embedding_lookup 相同的功能 ， 它可以使用任意等级密集和稀疏的张量 。 对于不规则张量 ， 尽管输入张量仍然是 2 级 ， 但现在可以通过在特征配置中指定输出形状或通过 build 方法来激活 2 级或更高级别 。
（自 TF 2.7 起）向 TensorFlow Profiler 添加 PluggableDevice 支持 。
Bug 修复和其他改进
tf.data：
- 如果用户未禁用 ， 现在优化 parallel_batch 现在成为默认值 ， 这样可以并行复制批处理元素；
特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。