TensorFlow 1.9 正式推出！

我们很高兴地宣布，TensorFlow 1.9 现已正式发布！请查看相应公告，及时了解一些主要特点和重大改变，轻松升级您的代码。

主要特点和改进

● tf.keras 文件升级: 新的基于 Keras 的入门以及程序员指导页

● tf.keras 升级到 Keras 2.1.6 API

● 添加 tf.keras.layers.CuDNNGRU 和 tf.keras.layers.CuDNNLSTM 层

● 对梯度提升树估算器 (gradient boosted trees estimators) 添加核心功能栏和损失 (feature columns andlosses) 的支持

● TFLite 优化转换器的 Python 界面有所扩展，命令行界面 (AKA:toco, tflite_convert) 再次包含在了标准 pip 安装中

● 优化了数据载入和文本处理：

• tf.decode_compressed

• tf.string_strip

• tf.strings.regex_full_match

● 实验性地增加了对新的预制估算器的支持：

• tf.contrib.estimator.BaselineEstimator

• tf.contrib.estimator.RNNClassifier

• tf.contrib.estimator.RNNEstimator

● distributions.Bijector API 支持使用新的 API 变化为 Bijectors 进行广播

重大改变

● 如果你正在打开空变量范围，用 variable_scope (tf.get_variable_scope(), ...) 替换 variable_scope ('', ...)

● 用于构建自定义操作的标题已从 site-packages/external 移至 site-packages/tensorflow/include/external

Bug 修复及其他一些变更

● tfe.Network 已弃用。请从 tf.keras.Model 指定继承

● 分层变量名称在以下条件中已更改：

使用带自定义变量范围的 tf.keras.layers

在子类 tf.keras.Model 类别中使用 tf.layers

● tf.data :

• Dataset.from_generator() 现能接受一个 args 列表，以便创建嵌套生成器

• 当 shuffle = False 或一个 SEED 通过的情况下，Dataset.list_files() 现在将会产生确定性结果

• tf.contrib.data.sample_from_datasets() 和 tf.contrib.data.choose_from_datasets() 将更容易采样或更容易确定地从多个数据集中选择元素

• tf.contrib.data.make_csv_dataset() 现支持引用字符串中的换行符，并删除了两个不经常使用的参数

• (C++) DatasetBase::DebugString() 现已设为常量

• (C++) DatasetBase::MakeIterator() 已重新更名为 DatasetBase::MakeIteratorInternal()

• (C++) IteratorBase::添加了Initialize()method 以支持在迭代器构建期间提出错误

● Eager Execution :

通过 tf.GradientTape.stop_recording 添加暂停梯度计算的记录操作功能更新文档，介绍手册

● tf.keras :

将 Keras code 从_impl 文件夹中移出并移除API文件

tf.keras.Model.save_weights 现在默认以 TensorFlow 格式保存

启用数据集迭代器以传递至 tf.keras.Model 训练/评价方法

● TensorFlow Debugger (tfdbg)

修复了 TensorBoard 调试器插件在源文件大小超过 gRPC 消息限制 (4 MB) 时无法处理的问题

● tf.contrib :

tf.contrib.framework.zero_initializer 支持 ResourceVariable

添加 "constrained_optimization" 到 tensorflow/contrib

......

点击 “阅读原文”，查看完整的版本说明，详细了解添加的功能和变更。

更多 AI 相关阅读：

· 通过安全浏览保护 WebView

· 通过视频着色进行自监督跟踪

· 通过机器学习让医疗数据更好用