谷歌TensorFlow 2.1.0正式发布，最后支持Python 2

　　TensorFlo 2.1.0 正式发布了，TensorFlo 2.1 是支持 Python 2 的一个 TF 版本。

　　主要特性和改进如下

　　tensorflo pip 软件包现在默认包括针对 Linux 和 Windos 的 GPU 支持(与 tensorflo-gpu 相同)。它可以在带有和不带有 NVIDIA GPU 的机器上运行。 tensorflo-gpu 仍然可用，对于关心软件包大小的用户，可以在 tensorflo-cpu 上下载仅 CPU 的软件包。

　　Windos 用户为了利用新的 /d2ReducedOptimizeHugeFunctions 编译器标志，现在使用 Visual Studio 2019 版本 16.4 构建了正式发布的 tensorflo Pip 程序包。要使用这些新程序包，必须安装 “Visual Studio 2015、2017 和 2019 的 Microsoft Visual C++ 可再发行组件”。

　　这不会更改在 Windos 上从源代码构建 TensorFlo 所需的最低版本，在没有此标志的情况下，启用 EIGEN_STRONG_INLINE 的构建可能需要超过 48 个小时才能进行编译。

　　如果你的计算机上缺少必需的 DLL，msvcp140.dll(旧)或 msvcp140_1.dll(新)之一，则导入 tensorflo 将显示警告消息。

　　tensorflo pip 软件包使用 CUDA 10.1 和 cuDNN 7.6 构建。

　　tf.keras

　　GPU 和 Cloud TPU 提供了对混合精度的实验支持。

　　引入了 TextVectorization 层，该层将原始字符串作为输入，并负责文本标准化、标记化、n-gram 生成和词汇索引。

　　只要在范围内构建模型，就可以将 Keras .pile .fit .evaluate 和 .predict 置于 DistributionStrategy 范围之外。

　　对于所有类型的 Keras 模型(顺序模型、功能模型和子类模型)、Cloud TPU、Cloud TPU 均可提供 Keras .pile，.fit，.evaluate 和 .predict 的实验支持。

　　为云 TPU 启用了自动外部编译。这使得 tf.summary 可以更方便地与 Cloud TPU 一起使用。

　　Cloud TPU 支持带有 DistributionStrategy 和 Keras 的动态批量大小。

　　除了 tf.data.Dataset 之外，还使用 numpy 数据在 TPU 上支持 .fit，.evaluate，.predict。

　　TensorFlo Model Garden 提供了许多流行模型的 Keras 参考实现。

　　tf.data

　　更改 tf.data 数据集的重新编录+分发策略以提高性能。请注意，数据集的行为也略有不同，因为重新标记的数据集基数将始终是副本数的倍数。

　　tf.data.Dataset现在支持在分布式环境中(包括在 TPU 容器上)自动进行数据分发和分片。

　　现在可以这样调整 tf.data.Dataset 的分发策略 1. tf.data.experimental.AutoShardPolicy(OFF, AUTO, FILE, DATA) 2. tf.data.experimental.ExternalStatePolicy(WARN, IGNORE, FAIL)

　　添加了环境变量 TF_DETERMINISTIC_OPS。当设置为 “true” 或 “1” 时，此环境变量使 tf.nn.bias_add 确定性地(即可重复地)运行，但当前仅当未启用 XLA JIT 编译时才运行。这使得 Keras ConvD 和 MaxPoolD 层在启用 CUDA 的 GPU 上运行时可确定地在向前和向后两个方向上运行。

特别提醒本网内容转载自其他媒体，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。