TensorFlow 1.8.0正式釋出，Bug修復和改進內容都在這裡了

AI科技大本營發表於2018-04-18

640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

譯者 | 王柯凝

編輯 | Just

出品 | AI科技大本營（公眾號ID：rgznai100）

【導語】TensorFlow 1.8.0 近日正式釋出，新版本主要有以下改進內容，AI科技大本營對其編譯如下。

▌主要特點及改進

可以將 tf.contrib.distribute.MirroredStrategy() 傳遞給 tf.estimator.RunConfig() ，能夠在一臺有多個 GPU 的機器上執行評估器（Estimator）模型。
新增 tf.contrib.data.prefetch_to_device() ，支援預取 GPU 記憶體。
新增梯度提升樹作為預先製作的評估器（Estimator）：BoostedTreesClassifier，BoostedTreesRegressor。
為雲端 TPU 新增第三代管道配置，提高其效能和可用性。
tf.contrib.bayesflow 轉向自己的 repo。
新增了 tf.contrib.{proto，rpc} ，允許通用的原型解析和 RPC 通訊。

tf.data:

Eager Execution:

Eager Execution 資料集可以作為標準的 Python 迭代器使用（for batch in dataset:)。當 Eager Execution 啟動時，可以使用 Dataset ._iter _() 和 Dataset.make_one_shot_iterator() 建立迭代器。
已啟用自動裝置配置（即如果 GPU 是自動接入的，則不需要使用 tf.device(“/gpu:0”)）（修復 #14133）
已經將 contrib 的 tf.GradientTape 移出。

tf.keras:

新增了 fashion mnist 資料集。
新的資料預處理功能：image/random_brightness，sequence/TimeseriesGenerator 和 text/hashing_trick。

加速線性代數 (XLA):

TensorFlow Debugger (tfdbg) CLI:

tf.contrib:

新增重構批量維度的元分發 BatchReshape 。
tf.contrib.layers.recompute_grad 用於 TPU 上的顯式梯度檢查點。
添加 tf.contrib.framework.argsort 。
允許 DNNBoostedTreeCombinedEstimator 處理特徵列和損失的核心版本。
新增非線性影像變形操作： tf.contrib.image.sparse_image_warp，tf.contrib.image.dense_image_warp 和 tf.contrib.image.interpolate_spline 。
修復 tensor 型別不匹配的 tf.contrib.opt.MultitaskOptimizerWrapper 中的錯誤。

低階圖形構造現在被稱為 TensorFlow C API 。對於大多數使用者而言，這種更改不可見，但在這個版本中可以設定環境變數 TF_C_API_GRAPH_CONSTRUCTION = 0 來禁用此更改。未來的版本將刪除禁用此更改的功能。
在 tf.distributions.Distribution 中新增形狀描述和指向 tutorial notebook 的指標。
更新 scatter 操作：
- 新增 tf.scatter_min 和 tf.scatter_max；
- 擴充套件 scatter 操作以使用標量更新引數。
僅僅將 cuDNN RNN操作移至核心，用於 TensorFlow 程式碼庫。
為 Conv2d ， Conv2dBackpropInput 和 Conv2dBackpropFilter 新增 float64 支援。
為 AvgPool / AvgPoolGrad 新增 float64 支援。
圖名稱作用域執行緒為本地，以便在多執行緒環境中正常工作。
更新 nsync 同步庫，避免 Linux 上速度較慢的原語。
在構建自定義操作時，刪除了需要在 C include 路徑中放置 nsync / public
新增 tf.image.psnr ， tf.image.ssim ， tf.image.ssim_multiscale ， tf.image.image_gradients ， tf.image.sobel_edges
將連結新增到 https://js.tensorflow.org
修復正交矩陣的不均勻性。
修復了多影像評估器（Estimator）評估摘要顯示不正確的問題。