By 超神经
导读：2019 年 11 月末，TensorFlow 的官方 GitHub 账号发布了 TensorFlow 2.1.0-rc 版本，现在，官方最新发布了 TensorFlow 2.1.0 正式版本。据介绍，这将是最后一个支持 Python 2 的版本。除此之外，TensorFlow 2.1.0 还带来了很多重大更新与改进，了解一下。
关键词：TensorFlow 2.1.0 正式版
TensorFlow 2.1.0 正式版本发布啦！
昨日，TensorFlow 官方 GitHub 账号中，发布了 TensorFlow 2.1.0 正式版本。
发行说明地址：https://github.com/tensorflow/tensorflow/releases
如之前在发布候选版本时所宣布（点击可了解详情），TensorFlow 2.1 是支持 Python 2 的最后一个 TF 版本。鉴于 Python 2.7 于 2020 年 1 月 1 日正式到期，Python 核心开发团队将不再对其进行任何维护，因此，TensorFlow 也从 2020 年 1 月 1 日开始停止支持Python 2。
除此之外，TensorFlow 2.1.0 还在 tf.keras、tf.data、tf.debugging 等均带来了更新与改进。
最新版本的主要特点和改进
该 tensorflow pip 软件包现在在默认情况下包括 GPU 支持（与 tensorflow-gpu 一样），适用于 Linux 和 Windows。它在带有和不带有 NVIDIA GPU 的机器上均可运行。
更新后用户只需安装一个软件包即可
不再需要区分 CPU 与 GPU 环境
tensorflow-gpu 仍然可用，对于关注软件包大小的用户，可以在 tensorflow-cpu 下载纯 CPU 软件包。
对于 Windows 用户，正式发布的 tensorflow Pip 软件包现在使用 Visual Studio 2019 16.4 版本生成，以便利用新的编译器标志。
要使用这些新软件包，用户必须安装「Microsoft Visual C Redistributable for Visual Studio 2015、2017 和 2019」，下载地址传送：https://support.microsoft.com/zh-cn/help/2977003/the-latest-supported-visual-c-downloads。
需要注意的是：
- 这不会更改在 Windows 上从源代码构建 TensorFlow 所需的最低版本，但是在没有此标志的情况下，构建 EIGEN_STRONG_INLINE 可能需要超过 48 个小时以上的时间才能编译。有关 EIGEN_STRONG_INLINE 和 /d2Reduced OptimizeHugeFunctions 的更多信息。请参阅 configure.py。
- 如果用户的计算机上缺少任何一个必需的 DLL msvcp140.dll（旧）或msvcp140_1.dll（新），import tensorflow 将会输出警告消息。
另外，官方还介绍，该 tensorflow pip 软件包是用 CUDA 10.1 和 cuDNN 7.6 建立的。
tf.keras 的更新
在 GPU 和 Cloud TPU 上提供了对混合精度的实验支持，引入了 TextVectorization 层，该层以原始字符串作为输入，并负责文本标准化，标记化，n-gram 生成和词汇索引。具体可参考这个端到端文本分类示例：
https://colab.research.google.com/drive/1RvCnR7h0_l4Ekn5vINWToI9TNJdpUZB3。
用户对 TextVectorization 层的引入感到兴奋
只要模型是在一个范围内构建的，Keras.compile .fit .evaluate 和 predict 就允许被分布于 DistributionStrategy 范围之外。
Cloud TPU Pod 提供了对 Keras .compile，.fit，
.evaluate，以及 .predict 的实验支持，适用于云计算的 TPU，Cloud TPU，以及所有类型的 Keras 模型（顺序，功能和子类模型）。
并且，现已经为云 TPU 启用了自动外部编译。这样允许 tf.summary 更方便地与Cloud TPU 一起使用。
Cloud TPU 支持带有 DistributionStrategy 和 Keras 的动态批处理大小。
除了 tf.data.Dataset 之外，还可以使用 numpy 数据支持的 TPU 上的 .fit，.evaluate，.predict，在 TensorFlow Model Garden 中提供了许多流行模型的 Keras 参考实现。
tf.data 的更新
对 tf.data datasets DistributionStrategy（数据集 分布策略）的 rebatching 做了一些更改，以获得更好的性能。
需要注意的是，数据集的行为也略有不同，因为重新标记的数据集基数将始终是副本数的倍数。
tf.data.Dataset 现在支持在分布式环境中（包括在 TPU pod 上）自动进行数据分发和分片。
tf.data.Dataset 的分发策略，现在可以调整为：
代码语言：javascript复制tf.data.experimental.AutoShardPolicy(OFF, AUTO, FILE, DATA)
tf.data.experimental.ExternalStatePolicy(WARN, IGNORE, FAIL)tf.debugging
添加了 tf.debugging.enable_check_numerics()和tf.debugging.disable_check_numerics()来帮助调试涉及 infinities 和 NaNs 的问题的根本原因。
tf.distribute
在 TPU 和 TPU pods上的自定义训练循环支持，可以通过以下来实现：
代码语言：javascript复制strategy.experimental_distribute_dataset
strategy.experimental_distribute_datasets_from_function
strategy.experimental_run_v2
strategy.reduce除了 strategy.scope() 之外，还通过tf.distribute.
experimental_set_strategy() 支持全局分布策略。
TensorRT
现在默认情况下支持并启用 TensorRT 6.0。这增加了对更多对 TensorFlow 操作的支持，包括
代码语言：javascript复制Conv3D
Conv3DBackpropInputV2
AvgPool3D
MaxPool3D
ResizeBilinear
ResizeNearestNeighbor此外，TensorFlow-TensorRT python 转换 API 导出为 tf.experimental.tensorrt.Converter。
添加了环境变量 TF_DETERMINISTIC_OPS。当设置为「true」或「1」时，此环境变量使 tf.nn.bias_add 操作确定性地（即可重现地）进行，但当前仅在未启用 XLA JIT 编译时才这样操作。
设置 TF_DETERMINISTIC_OPS 为「true」或「1」也会使 cuDNN 卷积和最大池操作具有确定性。这使得 Keras Conv * D 和 MaxPool * D 层 CUDA-enabled GPU上运行时，可确定地在向前和向后两个方向上操作。
重大变化
删除了我们不知道用法的 Operation.traceback_with_start_lines。
从 tf.Tensor.__repr__()as 中移除了 id，因为 id 除了内部调试外没有其他用处。
如果当时，不是在 session.run()期间，输入张量的值已知，则某些 if.assert_* 方法现在在操作创建时会触发断言。这仅当图形执行会导致错误时才会更改行为。发生这种情况时，将返回一个 noop，并将输入张量标记为不可馈送（non-feedable）。
换句话说，如果它们在 session.run() 被用作 feed_dictto 的参数的键，则会引发错误。同样，由于某些断言操作没有放入图中，因此图结构也会发生变化。如果未明确给出（最常见），则不同的图可能会产生不同的 per-op 随机种子。
以下 API 不再实验：
代码语言：javascript复制tf.config.list_logical_devices
tf.config.list_physical_devices
tf.config.get_visible_devices
tf.config.set_visible_devices
tf.config.get_logical_device_configuration
tf.config.set_logical_device_configuration此外，tf.config.experimentalVirtualDeviceConfi-
guration 已重命名为 tf.config.LogicalDeviceCon-figuration。
tf.config.experimental_list_devices 已被删除，请使用 tf.config.list_logical_devices。
除了以上重要更新外，TensorFlow 2.1.0 还进行了多项错误修复与更改，具体可在发行说明中查看（https://github.com/tensorflow/tensorflow/releases）。
—— 完 ——
