機(jī)器之心報(bào)道

參與：杜偉、一鳴

TensorFlow2.1的更新，能夠讓棄坑的用戶回心轉(zhuǎn)意嗎？

去年 10 月，谷歌才發(fā)布了 TensorFlow 2.0 正式版。時(shí)隔三個(gè)月后，昨日官方發(fā)布了 TensorFlow 2.1，本次版本更新帶了了多項(xiàng)新特性、功能改進(jìn)和 bug 修復(fù)。

從本次更新的日志來看，TensorFlow 2.1 將成為最后一個(gè)支持 Python2 的版本了。同時(shí)，本次更新的重點(diǎn)是增加了對 TPU 的多項(xiàng)支持，而 tf.keras 和 tf.data 這兩個(gè)常用的 API 也得到了很多新的更新。據(jù)悉，TensorFlow 2.1 的 CUDA 版本為 10.1，cuDNN 版本為 7.6。

在對操作系統(tǒng)的支持上，Windows 和 Linux 系統(tǒng)的 TensorFlow pip 版本默認(rèn)支持 GPU。也就是說，如果使用 pip install tensorflow，則版本默認(rèn)為是 gpu 版本(原始的 tensorflow-gpu 版本依然存在)。當(dāng)然，不管有沒有英偉達(dá)版本的 GPU，tensorflow 依然能夠運(yùn)行。如果需要使用 CPU 版本，用戶的安裝命令應(yīng)該為：pip install tensorflow-cpu。項(xiàng)目地址：https://github.com/tensorflow/tensorflow/releases對于本次更新的內(nèi)容，機(jī)器之心整理如下：進(jìn)一步支持 TPUTensorFlow 2.1 最大的亮點(diǎn)在于進(jìn)一步增加對 TPU 的支持。從 tf.keras、tf.data 等 API 的功能調(diào)整和更新來看，現(xiàn)在使用 TPU 加載數(shù)據(jù)集、訓(xùn)練和模型推理會更方便一些。tf.keras 對 TPU 的支持

• 增加了在 GPU 和 Cloud TPUs 上對混合精度(mix precision)的支持；
• tf.Keras 中的 compile、fit、evaluate、predict 等 API 都支持 Cloud TPUs 了，而且支持所有的 Keras 模型(即以 sequential、functional 和子類方式構(gòu)建的模型都支持)；
• 現(xiàn)在可以使用 Cloud TPU 進(jìn)行自動外部編譯(automatic outside compilation)了，這使得 tf.summary 和 Cloud TPUs 能夠更好地一起使用；
• 分布式策略和 Keras 中的動態(tài)批大小控制已支持 Cloud TPUs；
• 支持在 TPU 上使用 numpy 格式的數(shù)據(jù)進(jìn)行 fit、evaluate 和 predict。

tf.data 對 TPU 的支持tf.data.Dataset 現(xiàn)在支持自動數(shù)據(jù)分發(fā)(automatic data distribution)和分布式環(huán)境下的分片操作，包括在 TPU pods 上都可以。tf.distribute 對 TPU 的支持支持在 TPU 和 TPU pods 上定制訓(xùn)練循環(huán)，通過以下 API 即可：strategy.experimental_distribute_dataset、?strategy.experimental_distribute_datasets_from_function、strategy.experimental_run_v2 和 strategy.reduce。重要 API 更新TensorFlow 2.1 進(jìn)行了以下一些重要的 API 更新：tf.keras

• 推出了 TextVectorization 層，該層將原始字符串作為輸入，并兼顧到了文本規(guī)范化、標(biāo)記化、N 元語法生成和詞匯檢索；
• 允許 Keras .compile、.fit、.evaluate 和.predict 在 DistributionStrategy 范圍之外，前提是模型在該范圍內(nèi)構(gòu)建；
• 諸多流行模型的 Keras 參考實(shí)現(xiàn)都可以在 TensorFlow Model Garden(https://github.com/tensorflow/models/tree/master/official)中獲得；

tf.datatf.data datasets 和分布式策略都進(jìn)行了改進(jìn)，以獲得更好的性能。需要注意的是 dataset 會變得有些不同，重新進(jìn)行了分批的數(shù)據(jù)集會有多個(gè)副本；而分布式策略也會進(jìn)行調(diào)整，如下所示：

tf.data.experimental.AutoShardPolicy(OFF, AUTO, FILE, DATA) tf.data.experimental.ExternalStatePolicy(WARN, IGNORE, FAIL)

TensorRT現(xiàn)在 TensorRT 6.0 是默認(rèn)的版本，這一版本增加了對更多 TensorFlow 算子的支持，包括 Conv3D、Conv3DBackpropInputV2、AvgPool3D、MaxPool3D、ResizeBilinear 和 ResizeNearestNeighbor。此外，TensorFlow 和 TensorRT 的 Python 交互 API 被命名為 tf.experimental.tensorrt.Converter。Bug 修復(fù)TensorFlow 2.1.0 還修復(fù)了以前版本中出現(xiàn)的一些 Bug，整理如下：tf.data

• 修復(fù)當(dāng) sloppy=True 時(shí) tf.data.experimental.parallel_interleave 出現(xiàn)的并發(fā)問題；
• 增加 tf.data.experimental.dense_to_ragged_batch()；
• 擴(kuò)展 tf.data 語法解析選項(xiàng)，從而支持 RaggedTensors。

tf.distribute修復(fù)使用 tf.distribute.Strategy 時(shí) GRU 崩潰或輸出錯(cuò)誤結(jié)果的問題。tf.keras

• 導(dǎo)出 tf.keras.backend 中的 depthwise_conv2d；
• 在 Keras Layers 和 Models 中，刪除 trainable_weights、non_trainable_weights 和 weights 中變量的重復(fù)數(shù)據(jù)；
• Kerasmodel.load_weights 現(xiàn)將 skip_mismatch 接受為一種自變量；
• 修復(fù) Keras 卷積層的輸入形狀緩存的行為；
• Model.fit_generator、Model.evaluate_generator、Model.train_on_batch, Model.test_on_batch 和 Model.predict_on_batch 方法現(xiàn)遵循 run_eagerly 屬性，并且在默認(rèn)情況下，使用 tf.function 能夠正確地運(yùn)行。請注意，Model.fit_generator、Model.evaluate_generator 和 Model.predict_generator 是不宜用的端點(diǎn)。這些端點(diǎn)現(xiàn)已被歸入支持生成器和序列的 Model.fit、Model.evaluate 和 Model.predict 中。

機(jī)器之心「SOTA模型」：22大領(lǐng)域、127個(gè)任務(wù)，機(jī)器學(xué)習(xí) SOTA 研究一網(wǎng)打盡。

點(diǎn)擊

總結(jié)

以上是生活随笔為你收集整理的tensorflow支持python3.7吗_TensorFlow2.1正式版上线：最后一次支持Python2，进一步支持TPU...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。