TensorFlow發布其新更新TensorFlow 2.4.0-rc4的示例分析

這期內容當中小編將會給大家帶來有關TensorFlow發布其新更新TensorFlow 2.4.0-rc4的示例分析，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

TensorFlow最近發布了其新更新TensorFlow 2.4.0-rc4。TensorFlow Profiler現在支持對MultiWorkerMirroredStrategy 進行概要分析，該概要文件現在是一個穩定的API，并使用采樣模式API跟蹤多個工作進程。該策略可在多個可能具有多個GPU的工人之間進行同步分布式訓練。一些重大的改進涉及處理同級失敗和許多錯誤修復，這些錯誤修復可以在Keras的多員工訓練中找到 。Keras Functional API內部的主要重構已完成。它提高了構建功能模型的可靠性，穩定性和性能。該更新還增加了對TensorFloat-32的支持在基于Ampere的GPU上。TensorFloat-32（TF32）是基于NVIDIA Ampere的GPU的數學模型，默認情況下啟用。

重大變化

TF核心：

由于TensorFloat-32的緣故，一些float32運算在基于Ampere的GPU上運行時的精度較低，包括matmul和卷積 。例如，此類運算的輸入從23位精度舍入到10位精度。在某些情況下，TensorFloat-32也可用于complex64 ops。因此現在可以禁用TensorFloat-32。

刪除了許多不相關的API函數，例如C中用于字符串訪問/修改的C-API函數。不屬于TensorFlow公共API的模塊被隱藏。

tf.keras：

現在 steps_per_execution 參數在compile（）中穩定。它有助于在單個tf.function 調用中運行多個批處理 ，從而可以提高TPU或具有較大Python開銷的小型模型的性能。Keras Functional API的內部結構已經進行了 重大重構。這種重構可能會影響依賴于某些內部細節的代碼。

tf.data：

現在，tf.data.experimental.service.DispatchServer 和 tf.data.experimental.service.WorkerServer使用配置元組代替單個參數。可以分別使用 tf.data.experimental.service.DispatchServer（dispatcher_config） 和 tf.data.experimental.service.WorkerServer（worker_config） 完成此操作。這有助于同時處理多個參數。

tf.distribute：

在最新更新中，各種內置API均使用新功能進行了重命名。

錯誤修復和其他更改

• 使用python常量或NumPy值調用ops與tf.convert_to_tensor 行為一致 。現在，這避免了tf.reshape之類的操作 會截斷諸如從int64到int32的輸入。

• 增加了對調度程序容錯的支持。

• 增加了對通過共享文件系統而不是通過RPC共享數據集圖的支持。這樣可以減輕調度程序的負擔，從而提高分布式數據集的性能。

• 功能性API重構的改進：

• 功能模型的構建不需要維護全局工作空間圖， 從而消除了內存泄漏，尤其是在構建許多模型或擴展模型時。

• 功能模型的構建應該平均快8-10％。

• 功能模型現在可以在第一個位置參數內的調用輸入中包含非符號值。

• 現在，在功能性API構造期間無法可靠轉換為Keras層的幾種TF ops應該可以正常工作，例如 tf.image.ssim_multiscale。

• 當Functional API構造出錯時（或無法將操作自動轉換為Keras圖層時）的錯誤消息應該更準確并且更易于理解。

總體而言，TensorFlow的新功能非常必要，因為它添加了必要的元素以增強性能并刪除不相關的元素。引入的改進將有助于開發更可靠和改進的ML模型。

上述就是小編為大家分享的TensorFlow發布其新更新TensorFlow 2.4.0-rc4的示例分析了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。