TensorFlow 2.1.0 正式發布了，TensorFlow 2.1 是支持 Python 2 的最后一個 TF 版本。

　　主要特性和改進如下：

　　tensorflow pip 軟件包現在默認包括針對 Linux 和 Windows 的 GPU 支持(與 tensorflow-gpu 相同)。它可以在帶有和不帶有 NVIDIA GPU 的機器上運行。 tensorflow-gpu 仍然可用，對于關心軟件包大小的用戶，可以在 tensorflow-cpu 上下載僅 CPU 的軟件包。

　　Windows 用戶：為了利用新的 /d2ReducedOptimizeHugeFunctions 編譯器標志，現在使用 Visual Studio 2019 版本 16.4 構建了正式發布的 tensorflow Pip 程序包。要使用這些新程序包，必須安裝 “Visual Studio 2015、2017 和 2019 的 Microsoft Visual C++ 可再發行組件”。

　　這不會更改在 Windows 上從源代碼構建 TensorFlow 所需的最低版本，但是在沒有此標志的情況下，啟用 EIGEN_STRONG_INLINE 的構建可能需要超過 48 個小時才能進行編譯。

　　如果你的計算機上缺少必需的 DLL，msvcp140.dll(舊)或 msvcp140_1.dll(新)之一，則導入 tensorflow 將顯示警告消息。

　　tensorflow pip 軟件包使用 CUDA 10.1 和 cuDNN 7.6 構建。

　　tf.keras

　　GPU 和 Cloud TPU 提供了對混合精度的實驗支持。

　　引入了 TextVectorization 層，該層將原始字符串作為輸入，并負責文本標準化、標記化、n-gram 生成和詞匯索引。

　　只要在范圍內構建模型，就可以將 Keras .compile .fit .evaluate 和 .predict 置于 DistributionStrategy 范圍之外。

　　對于所有類型的 Keras 模型(順序模型、功能模型和子類模型)、Cloud TPU、Cloud TPU 均可提供 Keras .compile，.fit，.evaluate 和 .predict 的實驗支持。

　　為云 TPU 啟用了自動外部編譯。這使得 tf.summary 可以更方便地與 Cloud TPU 一起使用。

　　Cloud TPU 支持帶有 DistributionStrategy 和 Keras 的動態批量大小。

　　除了 tf.data.Dataset 之外，還使用 numpy 數據在 TPU 上支持 .fit，.evaluate，.predict。

　　TensorFlow Model Garden 提供了許多流行模型的 Keras 參考實現。

　　tf.data

　　更改 tf.data 數據集的重新編錄+分發策略以提高性能。請注意，數據集的行為也略有不同，因為重新標記的數據集基數將始終是副本數的倍數。

　　tf.data.Dataset現在支持在分布式環境中(包括在 TPU 容器上)自動進行數據分發和分片。

　　現在可以這樣調整 tf.data.Dataset 的分發策略： 1. tf.data.experimental.AutoShardPolicy(OFF, AUTO, FILE, DATA) 2. tf.data.experimental.ExternalStatePolicy(WARN, IGNORE, FAIL)

　　添加了環境變量 TF_DETERMINISTIC_OPS。當設置為 “true” 或 “1” 時，此環境變量使 tf.nn.bias_add 確定性地(即可重復地)運行，但當前僅當未啟用 XLA JIT 編譯時才運行。這使得 Keras Conv*D 和 MaxPool*D 層在啟用 CUDA 的 GPU 上運行時可確定地在向前和向后兩個方向上運行。

特別提醒：本網內容轉載自其他媒體，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。