开源机器学习平台 TensorFlow 2.2.0-rc0 发布 用于数值计算开源软件库

　　TensorFlow 2.2.0-rc0已发布，据官方介绍，TensorFlow 是一个采用数据流图(data flow graphs)，用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作，图中的线(edges)则表示在节点间相互联系的多维数据数组，即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU(或GPU)，服务器，移动设备等等。TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

　　更新内容如下：

　　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。