请选择 进入手机版 | 继续访问电脑版
 找回密码
 立即注册

QQ登录

只需一步,快速开始

TensorFlow1.9 刚发布,2.0 版又快来了!

0
回复
626
查看
[复制链接]

5

主题

5

帖子

26

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
26
来源: 2018-11-26 15:55:24 显示全部楼层 |阅读模式
TensorFlow 是快速开发神经网络的一般框架,是谷歌对于机器学习和数据科学领域的一大重要贡献。TensorFlow 刚被推出,就因为其强大的易用性,在领域内被广泛采用并迅速成为深度学习的通用平台。

前些日子谷歌刚刚发布完 TensorFlow1.9,并带来了一大批的性能更新。近日消息,TensorFlow2.0 预计将在今年年末推出首个测试版。TensorFlow1.9 的热风刚过,大家又将期待的目光锁定在 TensorFlow2.0。这里是一些 TensorFlow2.0 的预计性能更新。
新版本:TensorFlow2.0 的预计性能改进

TensorFlow2.0 除了解决一部分性能问题,其构建者还将进一步纠正兼容性和连续性的问题,将用户对编程模型的期望与 TensorFlow 更好地结合起来。TensorFlow2.0 的核心功能预计为 "Eager Execution" 环境。Eager Execution 于 2017 年由 Google Brain 推出, 是一种命令式的编程环境,可以在不构建图表的情况下迅速评估操作,目的在于使架构更易于学习和使用。

TensorFlow2.0 预计性能更新:

扩展对更多平台和语言的支持。

通过交换格式的标准化和 API 的一致性,改进平台和语言组件之间的兼容性。

删除已弃用的 API,以减少用户之间的混淆。

TensorFlow2.0 也被计划对升级进行一系列的设计审查。为了简化过度 ( transition ) ,开发人员将创建一个转换工具,该工具将更新 Python 代码以使用与 TensorFlow 2.0 兼容的 API,或者在无法自动进行转换的情况下发出警告。另外,TensorFlow 2.0 还提供了一个纠正错误并进行改进的机会,而这些改进在语义版本控制下是禁止的。

新消息称,TensorFlow2.0 的 1.X 系列并不会开发新功能,但 2.0 发布后的一年内,1.X 系统将会有安全补丁。

介绍完了预将发布的新版本,现在让我们简单捋顺一下 TensorFlow 机器学习架构的更新之路。

TensorFlow1.9 的主要性能更新

更新文档 tf.keras:基于新 Keras 的入门和程序员指南页面。

为 Keras 2.1.6 API 更新 tf.keras。

添加 tf.keras.layers.CuDNNGRU 和 tf.keras.layers.CuDNNLSTM 层。

将核心功能列的支持和损失添加到梯度 boosted tree 估计器中。

Python 接口用于 TFLite 优化转换器已扩展,命令行界面 ( toco,tflite_convert ) 再次包括在标准 pip 安装中。

空变量范围,用 variable_scope ( tf.get_variable_scope ( ) , … ) 替换 variable_scope ( ", … ) 。

用于构建自定义操作的标头从 site-packages / external 移至 site-packages / tensorflow / include / external。


TensorFlow1.8 的主要性能更新

能够将数据预取到 GPU 内存。可以加快预先知道数据 GPU 操作的速度,数据可以同时被复制到 GPU 中。

支持 Cloud TPU 的第三代流水线设置,提高了性能和可用性。TPU 是 Google Cloud 专用的硬件单元,可以加速 TensorFlow 性能。

添加了 tf.contrib。{proto,rpc} 以允许通用的原型解析和 RPC 通信。


TensorFlow1.7 的主要性能更新

从 contrib 中移除 Eager 模式,使用 tf.enable_eager_execution ( ) 。

Graph 重写了仿真定点量化器,与 TensorFlow Lite 兼容,由新的 tf.contrib.quantize 包提供支持。

使用 tf.custom_gradient 轻松定制梯度计算。

TensorBoard 调试器插件,即 TensorFlow 调试器 ( tfdbg ) 的图形用户界面 ( GraphicalUser Interface, GUI ) ,推出 alpha 版本。

利用新的 tf.contrib.data.SqlDataset,支持将 sqlite 数据库作为 Dataset 进行读取。

Distributed Mutex / CriticalSection 被添加至 tf.contrib.framework.CriticalSection。

tf.regex_replace 能更好支持文本处理。

tf.contrib.data.bucket_by_sequence_length 支持简单高效的序列输入。

TensorFlow1.6 的主要性能更新

针对 CUDA 9.0 和 cuDNN 7 预构建二进制文件。

编译的二进制文件使用 AVX 指令,但会破坏旧版 CPU 上的 TF。

针对非插槽变量的新优化器内部 API。

tf.estimator.{FinalExporter,LatestExporter} 可导出被剥离的 SavedModels ,这增加了 SavedModels 的前向兼容性 ;FFT 支持添加到 XLA CPU/GPU 。

Android TF 可以在兼容的 Tegra 设备上使用 CUDA 加速来构建。

增加了 Getting Started 的第二个版本,主要针对机器学习新手。

阐明了 resize_images.align_corners 参数文档。

增加了 TPU 文档。

增加了客户端节流。

在 FileSystem 接口上增加了 FlushCaches ( ) 方法,用于 GscFileSystem 实现。

TensorFlow1.5 的主要性能更新

Eager Execution:预览版已提供下载。

TensorFlow Lite:dev 预览版已提供下载。

支持 CUDA 9 和 cuDNN 7。

加速线性代数 ( XLA ) :

将 complex64 支持添加到 XLA 编译器。

将 bfloat 支持添加到 XLA 基础设施。

使 ClusterSpec 传播与 XLA 设备一起工作。

使用决定性执行程序来生成 XLA 图。

tf.contrib 模块增加了很多附加功能,例如:tf.contrib.bayesflow.layers 概率神经网络 ( PNN ) 的实现。

TensorFlow1.4 的主要性能更新

tf.keras 成为核心 TensorFlow API 的一部分。提供 TensorFlow Keras API 的目的主要是为了向后兼容,可以更容易的将 Keras 移植到 TensorFlow。

tf.data 成为核心 TensorFlow API 的一部分。

train_and_evaluate 功能提供了一种在集群中以分布式方式运行 TensorFlow Estimator ( 用于自动配置公共模型参数 ) 的简单方法。

添加 tf.spectral.dct 用于计算 DCT-II。

TensorFlow 的内置调试系统允许在调试器的命令行中执行任意 Python 代码,以进行快速检查和修改。

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册