谷歌TensorFlow 2.2.0正式发布：道别Python 2，拥抱P

TensorFlow 2.2.0已经正式发布，此次更新标志着对Python 2支持的终结，全新的TensorFlow Docker镜像版本全面支持Python 3。此次更新带来了许多令人兴奋的主要特性和改进。

字符串张量的标量类型已经从std::strg转换为tensorflo::tstrg，这一改变将带来更高效的数据处理性能。TensorFlow 2新增了一个Profiler工具，该工具可以针对CPU、GPU以及TPU进行性能分析，包括输入管道和TF Ops，帮助开发者更好地理解并优化模型性能。

在内部实现上，本版本不推荐使用SWIG，转而采用pybd11将C++函数导出到Python，这是为了优化代码效率和兼容性。对tf.distribute的更新通过添加新的SyncBatchNormalization层和对MultiWorkerMirroredStrategy的支持，提高了GPU多工分布式培训的性能。NVIDIA NCCL也更新到了2.5.7-1版本，以获取更好的性能和更精细的性能调整。

在梯度处理方面，新版本支持在float16中减少梯度，同时所有实验都减少了梯度压缩，允许使用反向路径计算进行重叠梯度聚合。这意味着模型的训练过程将更加高效和稳定。

对于tf.keras，本次更新在Model.fit上进行了重大改进。现在，你可以通过覆盖Model.tra_step将自定义训练逻辑与Model.fit结合使用，更轻松地编写最新的训练循环，而不必担心Model.fit为你处理的所有功能。SavedModel格式现在支持所有Keras内置层，包括指标、预处理层和有状态RNN层。

在tf.lite方面，新版本默认启用TFLite实验性新转换器。而在XLA方面，XLA现在可以在Windows上构建并运行，所有预构建的软件包都支持XLA，并且可以在CPU和GPU上使用“编译或抛出异常”语义为tf.function启用XLA。

除了以上主要特性和改进，新版本还包含大量bug修复和其他优化。你可以在更新说明中查看详细的更新内容和修复列表。更多信息请访问TensorFlow官方GitHub仓库查看详细发布说明。

特别提醒：本文内容转载自其他媒体，旨在传递更多信息，并不代表本站观点。对于内容的真实性、完整性和及时性本站不作任何保证或承诺。如有任何内容侵犯您的权益，请及时联系我们，我们将在24小时内处理完毕。