TensorFlow 2.8.0正式上线,修复众多Bug,发布50多个漏洞补丁

TensorFlow 2.8.0 来了。

近日 TensorFlow 官方发布了 2.8.0 正式版,距离上次 2.7 版本的更新过去没多久,新版本提供了更多的 bug 修复和功能革新,此外新版本还针对漏洞发布了补丁。

图片

对于 TensorFlow 2.8.0 的上线,网友也纷纷感叹,这次的 Bug 修复也太棒了!

图片

不过也有网友已经迫不及待的期待 TensorFlow 3.0 的到来,并表示 TensorFlow 1 到 TensorFlow 2 是一个巨大的飞跃,将来 2 到 3 又会有哪些亮眼的表现呢?

图片

众所周知,TensorFlow 由谷歌开发,最初版本可追溯到 2015 年开源的 TensorFlow0.1,之后发展稳定,拥有强大的用户群体,成为最受欢迎的深度学习框架。但是用户在使用时,也暴露了 TensorFlow 缺点,例如 API 稳定性不足、静态计算图编程复杂等缺陷。因此在 TensorFlow2.0 版本,谷歌将 Keras 纳入进来,成为 tf.keras,到目前为止,TensorFlow 已经更新到 2.8 版本,那么新版本有哪些重要的革新呢?

TensorFlow 2.8.0 主要功能和革新

在 tf.lite 中,增加了 TFLite 内置 op 支援以下功能:

tf.raw_ops.Bucketize op 可在 CPU 上操作;

tf.where op 可用于数据类型 tf.int32、tf.uint32、tf.int8、tf.uint8、tf.int64;

tf.random.normal op 用于在 CPU 上输入数据类型 tf.float32;

tf.random.uniform op 用于在 CPU 上输入数据类型 tf.float32;

f.random.categorical op 用于在 CPU 上的输入数据类型 tf.int64。

tensorflow.experimental.tensorrt:

Conversion_params 在 TrtGraphConverterV2 中被弃用,现在可以支援参数 max_workspace_size_bytes、precision_mode、minimum_segment_size、maximum_cached_engines、use_calibration 和 allow_build_at_runtime;

在 TrtGraphConverterV2 中的 .save () 函数中增添了一个名为 save_gpu_specific_engines 的新参数。当为 False 时,.save () 函数不会保存任何已构建的 TRT 引擎;如果为 True(默认),则保留原始行为;

TrtGraphConverterV2 提供了一个名为 .summary () 的新 API。它显示了每个 TRTEngineOp 及其输入和输入的形态和 dtype,并提供了详细版本摘要。

tf.tpu.experimental.embedding:

tf.tpu.experimental.embedding.FeatureConfig 增加了一个额外的参数 output_shape,它可以指定特征输入激活的形态;

tf.tpu.experimental.embedding.TPUEmbedding 现在具有与 tf.tpu.experimental.embedding.serving_embedding_lookup 相同的功能,它可以使用任意等级密集和稀疏的张量。对于不规则张量,尽管输入张量仍然是 2 级,但现在可以通过在特征配置中指定输入形态或通过 build 方法来激活 2 级或更高级别。

增添 tf.config.experimental.enable_op_determinism ,这使得 TensorFlow ops 以性能为代价可以确定性地运行。替换 TF_DETERMINISTIC_OPS 环境变量。

(自 TF 2.7 起)向 TensorFlow Profiler 增添 PluggableDevice 支援。

Bug 修复和其他革新

tf.data:

如果用户未禁用,现在优化 parallel_batch 现在成为默认值,这样可以并行复制批处理元素;

增添了 TensorSliceDataset,用于识别和处理文件输入。

tf.lite:

为 Java API 的序列化增添 GPU 委托支援,当 OpenCL 可用时,这将初始化时间提高了 90%;

弃用 Interpreter::SetNumThreads,支援 InterpreterBuilder::SetNumThreads。

tf.keras

tf.random.Generator 用于 keras 初始化和所有的 RNG 代码;

TextVectorization 增加了额外的 standardize 和 split 模式:standardize="lower" 转化为小写字母输入;standardize="string_punctuation" 删除所有标点符号;Split ="character" 将对每个 unicode 字符进行拆分。

增加 GPU 实现:

(自 2.7 版本开始) tf.math.segment_mean

(自 2.7 版本开始) tf.math.segment_prod

(自 2.7 版本开始) tf.math.segment_sum

TensorFlow 已在适用于 GPU 和 CPU 的 Windows Subsystem for Linux 2(又名 WSL 2)上得到验证。

此外,TensorFlow 2.8.0 在安全方面进行了一些改正,包括改正了执行卷积运算时浮点数被 0 除的问题:CVE-2022-21725;改正了 Dequantize 形态推断中的整数溢出问题:CVE-2022-21727;改正了 ConcatV2 形态推断中的类型混淆问题:CVE-2022-21731 等。

更多内容,请参考:https://github.com/tensorflow/tensorflow/releases/tag/v2.8.0?linkId=8031153

原创文章,作者:机器之心,如若转载,请注明出处:https://www.iaiol.com/news/tensorflow280-zheng-shi-shang-xian-xiu-fu-zhong-duo-bug-fa/

(0)
上一篇 2022年 2月 6日 下午1:04
下一篇 2022年 2月 8日 下午2:43

相关推荐

  • Creator 面对面 | 北大河图在希罕大模型训练架构上的几点探索

    河图是北京大学数据与智能实验室自研的一款分布式深度学习框架,兼顾创新性和可用性,这也是国内首个由高校自主研发的分布式深度学习系统。底层的算子实现到上层的模型设计完全是由河图团队自主实现。

    2022年 7月 13日
  • 人工智能向“上”生长,可托AI渐行渐近

    一位刚刚上路的新手驾驭员,如何成长为「老司机」?显然,Ta必须经过足够时间和里程的驾驭练习,才不妨熟练、从容地应对各种可能出现的路况和紧急事件。所以尽管主动驾驭系统也会在投入使用之前历经大量的真实道路测试,但就算是科学文明相当普及的今天,仍有很多人依旧做不到将开车这件事「放心地交给AI」,毕竟摆在人们眼前的却是道不尽的争议和说不明的驾驭事变,而事变的发生可能是手艺,算法,道路,数据,传输,天气,驾驭员等多重主客观因素影响造成的,权责划分十分困难。具体从算法层面看,由于驾驭场景天然对危险性有更高要求,这就需要主动驾驭

    2021年 12月 24日
  • 初学迁徙进修,跟着知乎大V王晋东的这个火热开源项目来进修(赠书)

    如何从要领层面对现有的迁徙进修要领进行创新,从而可以在要领和应用层面使迁徙进修迈向新的高度?

    2021年 6月 11日
  • 还未入职,这位将来的博导为学生规划了一条高效进修之路

    学无止境,但合理规划进修和钻研将助力你提高博士生涯的进修成效。

    2022年 10月 21日
  • 逼近量化训练?块重修技术打造离线量化新极限

    模型量化技术可以有效加速推理,已经成为人工智能芯片的标配,并在工业落地中广泛应用。离线量化(Post-Training Quantization)不需要耦合训练流程,利用成本和时间成本低,往往作为生产量化模型的首选方式,但其可调整空间有限,因此面临更大的准确度挑战,尤其是在一些特殊场景和极端要求下,不得不进一步引入更为复杂的在线量化(Quantization Aware Training)流程挽救,而这极大增加了量化模型生产的复杂度。如何在享受离线量化便捷高效的同时,在有限的调整“夹缝”中提升其成果上限,成为进一步打破技术红线的关键。在ICLR2021上,商汤科技研究院Spring工具链团队、高性能计算团队和成都电子科技大学顾实老师团队合作提出了块重修技术BRECQ,重新审视量化模型的优化粒度,首次将离线量化在4bit上的成果提升到在线量化的水平,相比在线量化可以节省大于200倍的生产时间,BRECQ在多种搜集和任务上普遍取得了业界最佳成果,打造了离线量化的新极限。

    2021年 3月 26日
  • Nature盘点:从Fortran、arXiv到AlexNet,这些代码改变了迷信界

    从 Fortran 编译器到 arXiv 预印本库、AlexNet,这些算计机代码和平台改变了迷信界。2019 年,「事件视界望远镜」团队拍下了第一张黑洞照片。这张照片并非传统意义上的照片,而是算计得来的——将美国、墨西哥、智利、西班牙和南极多台射电望远镜捕捉到的数据进行数学转换。该团队公开了所用代码,使迷信社区可以看到,并基于此做进一步的探索。而这逐渐成为一种普遍模式。从天文学到动物学,每一个伟大的现代迷信发现背后都有算计机的身影。斯坦福大学算计生物学家、2013 年诺贝尔化学奖获得主 M

    2021年 1月 21日
  • CVPR 2022 | 联邦学习审计隐衷新手段,田纳西大学等提出天生式梯度流露格式GGL

    本文提出一种利用天生模型作为图片先验的梯度袭击格式GGL,由来自美国田纳西大学,美国橡树岭国家试验室,和谷歌共同完成,论文已被 CVPR 2022 接收。

    2022年 4月 10日
  • 硅谷精神导师凯文·凯利:70岁生日那天,人们把他网站冲瘫痪了

    「用密码管理工具吧」,凯文 · 凯利如是说。

    2022年 4月 30日
  • 可微分骨架树:基于梯度的份子优化算法

    这周我们简单介绍一个高效份子优化的方法。该工作由UIUC的Jimeng Sun组合MIT的Connor Coley组合作完成,对应的文章题目是Differentiable Scaffolding Tree for Molecule Optimization[1],被2022年ICLR接受,主要的代码和数据发布在https://github.com/futianfan/DST。内容:思路:基于梯度的份子优化份子的可微分骨架树类梯度上升的优化算法优化效果测试由可微性失掉的可解释性思路:基于梯度的份子优化在药物发现中,分

    2022年 2月 21日
  • 数仓架构的持续演进与发展 — 云原生、湖仓一体、离线及时一体、SaaS模式

    数据仓库概念从1990年提出,经过了四个主要阶段。从最初的数据库演进到数据仓库,到MPP架构,到大数据时代的数据仓库,再到今天的云原生的数据仓库。在不断的演进过程中,数据仓库面对着不同的挑衅。

    2021年 8月 11日

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注