tensorflow2.3.0针对数据建模过程中的data预处理和运用过程增加了data上下游进程监测可视化和数据预处理优化两种新的机制,解决输入管道瓶颈,节省资源:
1快照:可视化
tf.distribute。TPUStrategy现在是一个稳定的API,不再被认为是TensorFlow的实验对象。(tf.distribute.experimental.TPUStrategy早些时候)。
TF Profiler引入了两种新工具:一种是用于可视化模型随时间变化的内存使用的内存分析器,另一种是允许跟踪模型中的python函数调用的python跟踪器。可用性改进包括更好的诊断消息和配置文件选项,可自定义主机和设备跟踪的详细程度级别。介绍了对Keras预处理层API (tf.keras.layers.experimental.preprocessing.*)的实验支持,用于处理数据预处理操作,支持复合张量输入。
TFLite现在正确地支持转换和推理过程中的动态形状。我们还为XNNPACK在Android和iOS上增加了选择性加入支持,这是一组高度优化的CPU内核,还为GPU上执行量化模型提供选择性加入支持。从这个版本开始,Libtensorflow包在GCS中可用。我们还开始发布这些