TensorFlow核心开发组的优先级安排

最新推荐文章于 2024-11-04 04:00:13 发布

xpanxcom

最新推荐文章于 2024-11-04 04:00:13 发布

阅读量397

点赞数

分类专栏：人工智能文章标签： TensorFlow

本文链接：https://blog.csdn.net/HowardWood/article/details/79457018

版权

人工智能专栏收录该内容

61 篇文章 2 订阅

订阅专栏

TensorFlow 得到全球社区开发者的支持，正处于高速发展中。这篇文章旨在提供 TensorFlow 核心开发组的重点工作领域和优先级安排，以及哪些功能将最有可能在即将发布的版本中呈现，其中大部分功能都是来自社区开发者们的实际用例，艾伯特（公众号：aibbtcom）也欢迎大家进一步为 TensorFlow 做贡献。TensorFlow 1.6.0 已于 3 月 1 日发布，重大改变包括：

艾伯特（http://www.aibbt.com/）国内第一家人工智能门户

预构建的二进制文件现在是针对 CUDA 9.0 和 cuDNN 7 构建的。
预构建的二进制文件将使用 AVX 指令，可能在旧的 CPU 上使用是不兼容的。

主要特性和改进包括：

针对非插槽变量 (non-slot variables) 的新内部优化 API 。
tf.estimator.{FinalExporter,LatestExporter} 现在可导出被剥离的 SavedModels 。这改进了 SavedModel 的向前兼容性。
FFT 支持添加到 XLA CPU/GPU 。
Android TF 现在可以在兼容的 Tegra 设备上使用 CUDA 加速来进行构建。

APIs 高级 APIs:

使用 Estimators 提高多 GPU 协作的资源利用率；
更易用的预定义高层 Estimator，包括梯度提升树（Gradient Boosted Trees）、时间序列（Time Series）和其它模型。
动态图机制的即时执行（Eager Execution）
高效利用多 GPU 协同执行；
分布式（多机）训练；
性能的提升；
更简单方便地导出为 GraphDef/SavedModel。

Keras API:

与 tf.data 更好的集成，可以使用数据张量（data tensors）调用 model.fit；
全面支持动态图机制的即时执行（两种动态图机制均支持常规的 Keras API，并可通过模型继承来创建 Eager-Style 的 Keras 模型）；
更好的分布式或多GPU 支持和 TPU 支持（包含一个更平滑的由模型到 Estimator 的工作流）。

官方模型：

一系列横跨图像识别、语音、目标检测和翻译的参考模型，它可以示范最佳实践，并可作为开发高性能模型的一个起点。

Contrib:

把已经在 tf.contrib 外部实现的部分原有 API 标记为不推荐使用；
尽可能将 tf.contrib 中的大型项目移至独立的代码库；
tf.contrib 模块最终将暂停在当前状态，在未来，实验性开发将在独立的代码库中进行。
概率推论与统计分析：
在 tf.distributions 和 tf.probability 中提供一套用于概率与统计分析的丰富工具。其中包含新的采样器、层、优化器、损失函数和结构化模型；
用于假设检验、收敛诊断和样本统计的工具；
Edward 2.0：用于概率编程的高级 API。

平台 TensorFlow Lite: