升级到tensorflow 2.2

谷歌更新了Tensorflow 2.2。在清华的镜像网站上已经有相关的软件包。已经安装了Tensforflow的可以使用：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade tensorflow-gpu

大约需要10多分钟的时间吧。
2.2 包含了如下的升级：（来自网络）
主要特性和改进

• 将字符串张量的标量类型从 std::string 替换为 tensorflow::tstring
• TF 2 的新 Profiler，用于 CPU/GPU/TPU。它提供设备和主机性能分析，包括输入管道和 TF Ops。
• 不推荐使用 SWIG，而是使用 pybind11 将 C++ 函数导出到 Python，这是弃用 Swig 所作努力的一部分。

tf.distribute:

• 将 NVIDIA NCCL 更新到 2.5.7-1，以获得更好的性能和性能调整。
• 支持在 float16 中减少梯度。
• 所有实验的支持都减少了梯度压缩，以允许使用反向路径计算进行重叠梯度聚合。
• 通过使用新添加的 tf.keras.layers.experimental.SyncBatchNormalization
  层，添加了对全局同步 BatchNormalization 的支持。该层将在参与同步训练的所有副本之间同步 BatchNormalization 统计信息。
• 使用 tf.distribute.experimental.MultiWorkerMirroredStrategy 提高 GPU
  多工分布式培训的性能

tf.keras:

• 可以通过覆盖 Model.train_step 将自定义训练逻辑与 Model.fit 结合使用。
• 轻松编写最新的培训循环，而不必担心 Model.fit 为你处理的所有功能（分发策略，回调，数据格式，循环逻辑等）
• Model.fit 的主要改进：
  现在，SavedModel 格式支持所有 Keras 内置层（包括指标，预处理层和有状态 RNN 层）

tf.lite:

• 默认情况下启用 TFLite 实验性新转换器。

XLA

• XLA 现在可以在 Windows 上构建并运行。所有预构建的软件包都随附有 XLA。
• 可以在 CPU 和 GPU 上使用“编译或抛出异常”语义为 tf.function 启用 XLA。

貌似与2.1的区别不是很大。