对 S3 和 HDFS 文件系统的支持已经迁移到一个基于模块化文件系统的方法 ， 现在可以在 https://github.com/tensorflow/io 中使用 。 用户需要安装 tensorflow-io python 包 ， 以支持 S3 和 HDFS 。
TensorFlow 2.7 主要功能和改进
对 TensorFlow 调试经验的改进：以前 ， TensorFlow 错误堆栈跟踪涉及许多内部帧 ， 读出这些帧可能具有挑战性 ， 而且对最终用户而言不可操作 。 从 TF 2.7 开始 ， TensorFlow 在它引发的大多数错误中过滤内部帧 ， 以保持堆栈跟踪简短、可读 ， 并专注于最终用户可操作的内容 。
通过在每个异常中添加传递给该层的参数值的完整列表 ， 提高由 Keras Layer.__call__()引发的错误消息信息量 。
tf.data：tf.data 服务现在支持自动分片（auto-sharding） 。 用户通过 tf.data.experimental.service.ShardingPolicy 枚举指定分片策略；tf.data.experimental.service.register_dataset 现在接受可选的 compression 参数 。
Keras：tf.keras.layers.Conv 现在包含一个公共的 convolution_op 方法 。 此方法可用于简化 Conv 子类的实现 ， 有两种方式使用这个新方法 ， 第一种方法如下：
class StandardizedConv2D(tf.keras.layers.Conv2D):
def call(self, inputs):
mean, var = tf.nn.moments(self.kernel, axes=[0, 1, 2], keepdims=True)
return self.convolution_op(inputs, (self.kernel - mean) / tf.sqrt(var + 1e-10))
你也可以采用如下方法：
class StandardizedConv2D(tf.keras.Layer):
def convolution_op(self, inputs, kernel):
mean, var = tf.nn.moments(kernel, axes=[0, 1, 2], keepdims=True)
# Author code uses std + 1e-5
return super().convolution_op(inputs, (kernel - mean) / tf.sqrt(var + 1e-10))

• 向 tf.keras.metrics.Metric 添加了 merge_state() 方法以用于分布式计算；
• 向 tf.keras.layers.TextVectorization 添加了 sparse 和 ragged 的选项 ， 以允许来自层的 SparseTensor 和 RaggedTensor 输出 。

tf.lite：添加 experimental API Experiment_from_jax 以支持从 Jax 模型到 TensorFlow Lite 的转换；支持 uint32 数据类型；添加实验量化调试器 tf.lite.QuantizationDebugger 。
更多详情可查看：
https://github.com/tensorflow/tensorflow/releases/tag/v2.7.0