摘要：版本正式发布啦本文将为大家介绍此版本的一些重大改变主要功能和改进修复以及其他变化。主要特点和改进现在根据预构建的二进制文件是针对和构建的。，，开始支持分布式在中添加的分布式策略支持和独立客户端支持。
TensorFlow 1.11.0 版本正式发布啦！
本文将为大家介绍此版本的一些重大改变、主要功能和改进、Bug 修复以及其他变化。
主要特点和改进
Nvidia GPU：
现在（根据 TensorFlow 1.11）预构建的二进制文件是针对 cuDNN 7.2 和 TensorRT 4 构建的。请查看升级的安装指南：Installing TensorFlow on Ubuntu（https://www.tensorflow.org/install/install_Linux#tensorflow_gpu_support）
Google Cloud TPU：
针对 Google Cloud TPU 上的 Keras 的实验性 tf.data 集成
在 Google Cloud TPU 上对 Eager Execution 进行试验性/预览支持
分布式策略：
为 tf.keras 添加 multi-GPU 分布式策略支持。fit，evaluate，predict 开始支持分布式
在 Estimator 中添加 multi-worker 的分布式策略支持和独立客户端支持。 查看 [README] (https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/distribute) 了解更多细节
添加 C, C++, 和 Python 函数来查询内核
重大改变
Keras：
tf.keras 的 RandomUniform，RandomNormal 和 TruncatedNormal 初始化程序的默认值已更改，以保证与外部 Keras 中的默认值相匹配
重大改变：运行 Sequential 模型的 model.get_config() 方法，现在返回 config dictionary（与其他模型实例保持一致），不再返回基础层的配置列表
Bug 修复以及其他变化
C++：
更改了 SessionFactory::NewSession 的签名，使其能够对错误给出详细的信息
tf.data：
tf.contrib.data.make_csv_dataset() 去除了 num_parallel_parser_calls 参数
如果参数没有匹配的文件，则 tf.data.Dataset.list_files() 在初始化时会报异常
为了清晰起见，将 BigTable 类别重新命名为 BigtableTable
记录 Cloud Bigtable API 的使用情况
添加 tf.contrib.data.reduce_dataset，可用于将数据集减少到单个元素
泛化 tf.contrib.data.sliding_window_batch
INC：
对三角求解进行了运行上的改进
tf.contrib：
为 tf.keras.layers.LocallyConnected2D 和 tf.keras.layers.LocallyConnected1D 添加了 implementation 参数。 新模式（implementation = 2）在执行前向传播时以单个密集矩阵的乘积来进行，这在某些场景下会带来显著加速（但在某些场景下可能会导致性能降低 - 请参阅 docstring）。 该选项还允许使用 padding = same
添加了新文档来说明 tf.fill 和 tf.constant 之间差异
实验性地添加了 IndexedDatasets
使用 lite proto 运行时添加选择性注册目标
为 TensorFlow Lite Java 添加简单的 Tensor 和 DataType 类别
添加对 uint32 和 uint64 的 bitcasting 的支持
添加了一个 Estimator 子类，该子类可以从SavedModel（SavedModelEstimator）创建
添加叶形索引模式作为参数
从 tf.contrib.image.transform 的输入中允许不同的输出形状
将 StackedRNNCell 的 state_size 顺序更改为自然顺序。为保持现有行为，用户可以在构造 StackedRNNCell 时添加 reverse_state_order = True
弃用 self.test_session()，以支持 self.session() 或 self.cached_session()
直接导入 tensor.proto.h（传递导入将很快从 tensor.h 中删除）
Estimator.train() 现在支持开箱即用的 tf.contrib.summary。* 每次调用.train() 现在都会创建一个多带带的 tfevents 文件，不再重新使用共享文件
修复 FTRL 优化器 L2 的收缩性能：L2 收缩项的梯度不应该在累加器中终止
修复 toco 在 Windows 上编译/执行的 bug
添加了 GoogleZoneProvider 类别，以检测 TensorFlow 程序的各部分在 Google Cloud Engine 运行的位置
现在可以安全地在 nullptr 上调用任何 C API 的 TF_Delete * 函数
将 Android 上的一些错误信息记录到日志
匹配 TFLite 中的 FakeQuant 数字，以提高 TFLite 量化推理模型的准确性
GCS 文件系统的可选存储桶位置检查
StringSplitOp 和 StringSplitV2Op 的性能得到加强
正则表达式替换操作的性能得到提高
如果 if.write() 失败，TFRecordWriter 现在会报错
TPU：TPUClusterResolvers 集群解析器将会提供更详细有用的错误消息
不推荐使用 SavedModelBuilder 方法添加 MetaGraphs 的 legacy_init_op 参数。 请改用等效的 main_op 参数。我们现在在构建 SavedModel 时明确会检查单个 main_op 或 legacy_init_op，而在以前对 main_op 的检查仅在加载时进行
现在可以在 RunConfig 中配置用于 Estimator 培训的协议
三角数的求解性能得到提高
将 TF 和 Keras 的 RNN 单元的 API 进行了统一。为 Keras 和 TF 的 RNN 单元添加了新的 get_initial_state() 方法，这个方法未来将替代现有的 zero_state() 方法
更新了 Keras 中变量的初始化
在 tensorflow / contrib 中更新 “constrained_optimization”
提升树算法：添加修剪模式
tf.train.Checkpoint 默认情况下不删除旧的检查点
tfdbg：调试时，缓存的 Tensor 数据所占用的磁盘空间上限为 100 GB。 允许添加环境变量 TFDBG_DISK_BYTES_LIMIT 来调整此上限值
感谢我们的贡献者
本次的发布离不开 Google 以下许多同仁的贡献：
Aapeli, adoda, Ag Ramesh, Amogh Mannekote, Andrew Gibiansky, Andy Craze, Anirudh Koul, Aurelien Geron, Avijit, Avijit-Nervana, Ben, Benjamin H. Myara, bhack, Brett Koonce,张天启, 张晓飞......
声明：文章收集于网络，如有侵权，请联系小编及时处理，谢谢！
欢迎加入本站公开兴趣群商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识
QQ群：81035754
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/4820.html
摘要：在年月首次推出，现在用户数量已经突破了万。其中有数百人为代码库做出了贡献，更有数千人为社区做出了贡献。现在我们推出，它带有一个更易使用的新，实现了与的直接整合。类似的，正在用实现份额部分规范，如。大量的传统度量和损失函数已被移除。 Keras 在 2015 年 3 月首次推出，现在用户数量已经突破了 10 万。其中有数百人为 Keras 代码库做出了贡献，更有数千人为 Keras 社区做出了...
摘要：刚刚，发布了正式版，很多人都期待已久，最重大的改动是支持和，这承诺将使上的训练速度翻倍。此外，预览版可用，也将吸引不少初学者。其他为添加必要的形状支持。，，现在支持具有和支持的任意扩展。允许稀疏浮动分割以支持多值特征列。 刚刚，TensorFlow发布了1.5.0正式版，很多人都期待已久，最重大的改动是支持CUDA 9和cuDNN 7，这承诺将使Volta GPUs/FP16上的训练速度翻倍...
摘要：今年，发布了面向开发者的全新机器学习框架。今年，围绕，谷歌同样做出了几项重大宣布发布新的官方博客与频道面向开发者的全新机器学习框架发布一系列新的库与工具例如等。提供了多种适用于张量的线性代数和机器学习运算的。 当时时间 3 月 30 日，谷歌 TenosrFlow 开发者峰会 2018 在美国加州石景山开幕，来自全球的机器学习用户围绕 TensorFlow 展开技术演讲与演示。去年的 Ten...
摘要：年是深度学习高速发展的一年。在下面的篇幅中，笔者将带大家一起回顾一下年深度学习领域都发生了哪些值得关注的大事。深度学习技术为这种方式提供了可能。在上，暴风雪公司宣布将开发一个对深度学习系统更加友好的，从而正式开启与团队的合作。 2016 年，人工智能发展火热。作为人工智能一个重要分支的深度学习，也正在受到大家越来越多的关注。2016 年是深度学习高速发展的一年。在这一年中，无论是工业界...
摘要：年是深度学习高速发展的一年。在下面的篇幅中，笔者将带大家一起回顾一下年深度学习领域都发生了哪些值得关注的大事。深度学习技术为这种方式提供了可能。在上，暴风雪公司宣布将开发一个对深度学习系统更加友好的，从而正式开启与团队的合作。 2016 年，人工智能发展火热。作为人工智能一个重要分支的深度学习，也正在受到大家越来越多的关注。2016 年是深度学习高速发展的一年。在这一年中，无论是工业界...
阅读 3146·2021-09-26 09:46
阅读 1794·2021-09-13 10:23
阅读 2184·2021-09-02 09:47
阅读 3636·2021-08-16 11:01
阅读 1077·2021-07-25 21:37
阅读 1381·2019-08-30 15:56
阅读 369·2019-08-30 13:52
阅读 1836·2019-08-27 14:27
