TensorFlow 1.2正式发布,新增Python 3.6支持

TensorFlow 1.2.0今日正式发布。

主要功能和改进点:

  1. 在Windows系统下新增对Python 3.6的支持。

  2. 新增函数tf.layers.conv3d_transpose,用于时空反卷积操作。

  3. 新增函数tf.Session.make_callable(),降低了多次运行类似操作的计算开销。

  4. 新增基于ibverbs的RDMA支持(远程直接数据存取)(由雅虎的junshi15贡献)。

  5. RNNCell现在为tf.layers.layer的子类对象。严格来说,在tensorflow 1.1版本已经发布这个子类:第一次使用了RNNCell单元,缓存了其作用域。在接下来用到该rnncell单元时,可以重复使用同一作用域中的变量。在TensorFlow1.0.1版本及其以下中,这个关于RNNCells的调整是个突破性变化。在TensorFlow1.1版本中,已经确保先前代码能够按照新的语义正确运行;这个版本允许更灵活地使用RNNCell,但是TensorFlow版本低于1.0.1时,可能会报错。比如,写入:MultiRNNCell([lstm] * 5),将会构建一个五层LSTM网络,每层共享相同的参数。想要得到一个各层具有不同参数的LSTM网络,要写入:MultiRNNCell([LSTMCell(…) for _ in range(5)])。如果仍然不确定,先在TF 1.1中测试你的代码;确保没有报错后,再升级到TF 1.2。

  6. TensorForest Estimator已经支持用于服务的SavedModel输出。

  7. 支持客户端提供的ClusterSpec’s,分配给所有工作者,确保能创建动态更新的TensorFlow集群。

  8. TensorFlow C语言库新增对Windows系统的支持。

  9. 发布了一个新版的开源TensorBoard。

  10. 在SavedModel中,SavedModel CLI工具可用来检查和执行SavedModel。

  11. TensorFlow的安卓版本已经被推送到jcenter上,用户能更容易地部署到应用程序中。更多细节请访问:

    https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/readme.md

  12. 已经重命名RNNCells的变量名称,与Keras层保持一致。具体来说,先前的变量名“weights”和“biases”分别更新为“kernel”与“bias”。如果你原来的checkpoints中含有这样的RNN单元,这可能导致传播过程中的不兼容性,则可以使用checkpoint_convert scrip工具更改原有checkpoints中的变量名。

  13. 在TensorFlow1.0版本之前,许多RNN函数和子类都定义在tf.nn命名空间里,现在已经被移回核心空间。这里包括了RNNCell,LSTMCell,GRUCell和一些其他单元,如今存放在tf.nn.rnn_cell函数中(先前的tf.contrib.rnn函数向后兼容)。先前的tf.nn.rnn函数更名为tf.nn.static_rnn,双向静态和状态存储静态rnn函数也被放回tf.nn命名空间中。

    还有一个需注意的例外是,EmbeddingWrapper,InputProjectionWrapper和OutputProjectionWrapper,这三者将会慢慢被移动到tf.contrib.rnn的弃用函数中。在rnn网络的预处理和后期处理阶段,应该替换掉一些低效率的包装函数,使用embedding_lookup或layers.dense进行替换。在RNN解码过程中,这一功能已经一个可用的API tf.contrib.seq2seq所取代。

  14. 英特尔MKL集成(https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture)。英特尔开发了一系已经优化过的深度学习基元:除了矩阵乘法和卷积外,还包括以下模块:(1).直接批量卷积;(2).池化操作:最大化,最小化,平均化;(3).标准化:LRN,批归一化;(4).激活函数:线性整流单元(ReLU);(5).数据处理:多维移项(转换),分解,合并,相加和降维。

另外需要特别注意的是,TensorFlow 1.2可能是租后一次使用CuDNN 5.1构建。后续版本TensorFlow 1.3应该会基于CuDNN 6.0,但会尽量兼容CuDNN 5.1。

更多详情,可以访问如下地址查看:

https://github.com/tensorflow/tensorflow/releases/tag/v1.2.0

你可能感兴趣的:(----Google,TensorFlow)