首頁 > AI資訊 > 最新資訊 > TensorFlow2.7正式版上線，支持Jax模型到TensorFlowLite轉換

TensorFlow2.7正式版上線，支持Jax模型到TensorFlowLite轉換

新火種    2023-11-01

機器之心報道

機器之心編輯部

TensorFlow2.7 正式發布，新版本包括對 tf.keras、tf.lite 等模塊的改進；tf.data 現在可以支持自動分片（auto-sharding）；添加實驗性 API Experiment_from_jax 以支持從 Jax 模型到 TensorFlow Lite 的轉換。

「調試代碼（debug）是框架用戶體驗的關鍵部分，更輕松的調試意味著更快的迭代周期。在此版本中，我們通過三個主要更改對 TF/Keras 調試體驗進行了廣泛的重新設計，使其更高效、更有趣……」谷歌科學家，Keras 發明者 Fran?ois Chollet 說道。

11 月 5 日，TensorFlow 官方發布了 2.7 正式版，距離上次 2.6.1 的更新剛過去一個月時間。

在 TensorFlow 博客上，官方簡述了新版本的主要升級內容：

TensorFlow 2.7 主要變化

tf.keras：

Model.fit()、 Model.predict() 和 Model.evaluate()方法將不再把 (batch_size, ) 的輸入數據上升為 (batch_size, 1)。這使得 Model 子類能夠在其 train_step()/ test_step()/ predict_step()方法中處理標量數據；

Model.to_yaml()和 keras.models.model_from_yaml 方法已被替換為引發 RuntimeError，因為它們可能被濫用以導致任意代碼執行。建議使用 JSON 序列化而不是 YAML，或者，一個更好的替代方案，序列化到 H5；

LinearModel 和 WideDeepModel 被移至 tf.compat.v1.keras.models. 命名空間（ tf.compat.v1.keras.models.LinearModel 和 tf.compat.v1.keras.models.WideDeepModel），其 experimental 端點 tf.keras.experimental.models.LinearModel 和 tf.keras.experimental.models.WideDeepModel 被棄用；

所有 tf.keras.initializers 類的 RNG 行為改變，這一變化將使初始化行為在 v1 和 v2 之間保持一致。

tf.lite：

重命名 schema 中的 SignatureDef 表，以最大化與 TF SavedModel Signature 概念的奇偶校驗。

棄用 Makefile 構建，Makefile 用戶需要將他們的構建遷移到 CMake 或 Bazel。

棄用 tflite::OpResolver::GetDelegates。TfLite 的 BuiltinOpResolver::GetDelegates 所返回的列表現在總是空的。相反，建議使用新方法 tflite::OpResolver::GetDelegateCreators。

TF Core：

tf.Graph.get_name_scope() 現在總是返回一個字符串。之前當在 name_scope("") 或 name_scope(None) 上下文中調用時，它返回 None， 現在它返回空字符串；

tensorflow/core/ir/ 包含一個新的基于 MLIR 的 Graph dialect，它與 GraphDef 同構，并將用于替換基于 GraphDef（例如 Grappler）的優化；

棄用并刪除了形狀推理中的 attrs() 函數，現在所有的屬性都應該通過名字來查詢。

以下 Python 符號是在 TensorFlow 的早期版本中意外添加的，現在已被刪除。每個符號都有一個替換項，但請注意替換項的參數名稱是不同的：

tf.quantize_and_dequantize_v4（在 TensorFlow 2.4 中意外引入）：改用 tf.quantization.quantize_and_dequantize_v2；

tf.batch_mat_mul_v3（在 TensorFlow 2.6 中意外引入）：改用 tf.linalg.matmul；

tf.sparse_segment_sum_grad（在 TensorFlow 2.6 中意外引入）：改用 tf.raw_ops.SparseSegmentSumGrad。

將 tensorflow::int64 重命名為 int_64_t（前者是后者的別名）。

模塊化文件系統的遷移：

對 S3 和 HDFS 文件系統的支持已經遷移到一個基于模塊化文件系統的方法，現在可以在 https://github.com/tensorflow/io 中使用。用戶需要安裝 tensorflow-io python 包，以支持 S3 和 HDFS。

TensorFlow 2.7 主要功能和改進

對 TensorFlow 調試經驗的改進：以前，TensorFlow 錯誤堆棧跟蹤涉及許多內部幀，讀出這些幀可能具有挑戰性，而且對最終用戶而言不可操作。從 TF 2.7 開始，TensorFlow 在它引發的大多數錯誤中過濾內部幀，以保持堆棧跟蹤簡短、可讀，并專注于最終用戶可操作的內容。

通過在每個異常中添加傳遞給該層的參數值的完整列表，提高由 Keras Layer.__call__()引發的錯誤消息信息量。

tf.data：tf.data 服務現在支持自動分片（auto-sharding）。用戶通過 tf.data.experimental.service.ShardingPolicy 枚舉指定分片策略；tf.data.experimental.service.register_dataset 現在接受可選的 compression 參數。

Keras：tf.keras.layers.Conv 現在包含一個公共的 convolution_op 方法。此方法可用于簡化 Conv 子類的實現，有兩種方式使用這個新方法，第一種方法如下：

class StandardizedConv2D(tf.keras.layers.Conv2D):

def call(self, inputs):

mean, var = tf.nn.moments(self.kernel, axes=[0, 1, 2], keepdims=True)

return self.convolution_op(inputs, (self.kernel - mean) / tf.sqrt(var + 1e-10))

你也可以采用如下方法：

class StandardizedConv2D(tf.keras.Layer):

def convolution_op(self, inputs, kernel):

mean, var = tf.nn.moments(kernel, axes=[0, 1, 2], keepdims=True)

# Author code uses std + 1e-5

return super().convolution_op(inputs, (kernel - mean) / tf.sqrt(var + 1e-10))

向 tf.keras.metrics.Metric 添加了 merge_state() 方法以用于分布式計算；

向 tf.keras.layers.TextVectorization 添加了 sparse 和 ragged 的選項，以允許來自層的 SparseTensor 和 RaggedTensor 輸出。

tf.lite：添加 experimental API Experiment_from_jax 以支持從 Jax 模型到 TensorFlow Lite 的轉換；支持 uint32 數據類型；添加實驗量化調試器 tf.lite.QuantizationDebugger。

更多詳情可查看：

https://github.com/tensorflow/tensorflow/releases/tag/v2.7.0

相關推薦
免責聲明
本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。

熱門文章