我们所有预构建的二进制文档已用 cuDNN6 构建。我们预期在 TensorFlow 1.4 中用 cuDNN7
import tensorflow 运行地更快
向 GCS 文件系统中增加了一个文件缓存(file cache),可对文件内容配置最大的 staleness。这能让文件内容的缓存跨越关/开的界限
向 tf.gather 增加了一个轴参数
向 tf.pad 增加了一个 constant_values 关键词参数
增加了 Dataset.interleave 转换
增加了 ConcatenateDataset 连结两个数据集
为 TensorFlow 增加了 Mobilenet 支持,进行 Poets 训练脚本
向 GCS 文档系统增加了一个块缓存(block cache),可配置块的大小和计算
增加了 SinhArcSinh bijector
增加了 Dataset.list_files API
为 Cloud TPU 引入了新的运算和 Python 捆绑
为了与 tensorflow-安卓对称,增加了 TensorFlow-iOS CocoPod
引入了 ClusterResolvers 的基础实现
统一了 TensorShape 与 PartialTensorShape 的记忆表征。现在 tensors 最大有 254 维,不是 255.
改变了 LIBXSMM 的引用,使用 1.8.1 版本
TensorFlow 调试器(tfdbg):
我们所有预构建的二进制文档已用 cuDNN6 构建。我们预期在 TensorFlow 1.4 中用 cuDNN7
import tensorflow 运行地更快
向 GCS 文件系统中增加了一个文件缓存(file cache),可对文件内容配置最大的 staleness。这能让文件内容的缓存跨越关/开的界限
向 tf.gather 增加了一个轴参数
向 tf.pad 增加了一个 constant_values 关键词参数
增加了 Dataset.interleave 转换
增加了 ConcatenateDataset 连结两个数据集
为 TensorFlow 增加了 Mobilenet 支持,进行 Poets 训练脚本
向 GCS 文档系统增加了一个块缓存(block cache),可配置块的大小和计算
增加了 SinhArcSinh bijector
增加了 Dataset.list_files API
为 Cloud TPU 引入了新的运算和 Python 捆绑
为了与 tensorflow-安卓对称,增加了 TensorFlow-iOS CocoPod
引入了 ClusterResolvers 的基础实现
统一了 TensorShape 与 PartialTensorShape 的记忆表征。现在 tensors 最大有 254 维,不是 255.
改变了 LIBXSMM 的引用,使用 1.8.1 版本
TensorFlow 调试器(tfdbg):
使用 -s flag 控制 print_tensoror pt. 以展示数值张量值的概要
使用 print_feed 或 pf 命令和在 curses UI 中可点击的链接以展示馈送值
运行 -p 命令在运算级和 Python 原线级的 Runtime 分析器
使用 -s flag 控制 print_tensoror pt. 以展示数值张量值的概要
使用 print_feed 或 pf 命令和在 curses UI 中可点击的链接以展示馈送值
运行 -p 命令在运算级和 Python 原线级的 Runtime 分析器
首次发布统计学分布库 tf.distributions
tf.where 和 tf.nn.top_k 的 GPU 核和速度提升
添加单调性注意力封装到 tf.contrib.seq2seq 中
添加 tf.contrib.signal,一个信号处理的基元库
添加 tf.contrib.resampler,包含了 CPU 和 GPU 运算的图像可微重采样(differentiable resampling)
首次发布统计学分布库 tf.distributions
tf.where 和 tf.nn.top_k 的 GPU 核和速度提升
添加单调性注意力封装到 tf.contrib.seq2seq 中
添加 tf.contrib.signal,一个信号处理的基元库
添加 tf.contrib.resampler,包含了 CPU 和 GPU 运算的图像可微重采样(differentiable resampling)
二、API 的主要变化内容
在 1.2 最终测试版发布之后,该版本把 tf.RewriterConfig 从 Python API 中移除。图重写仍旧可用,但不像 tf.RewriterConfig 一样。相反,我们增加了一个显示的导入方式
对 tf.contrib.data.Dataset 的一个重要改变是嵌套结构。列表对象已经修改到了 tf.Tensor。你可能需要改变已有代码中列表的用法为元组。此外,字典对象现在也支持作为嵌套结构
在 1.2 最终测试版发布之后,该版本把 tf.RewriterConfig 从 Python API 中移除。图重写仍旧可用,但不像 tf.RewriterConfig 一样。相反,我们增加了一个显示的导入方式
对 tf.contrib.data.Dataset 的一个重要改变是嵌套结构。列表对象已经修改到了 tf.Tensor。你可能需要改变已有代码中列表的用法为元组。此外,字典对象现在也支持作为嵌套结构
三、Contrib API 的变动
增加 tf.contrib.nn.rank_sampled_softmax_loss,这是一个能改进 rank loss 的 sampled-softmax 变体
tf.contrib.metrics,修改 {streaming_covariance,streaming_pearson_correlation} 以在它们至少有 1 单位权重时返回 nan
在 contrib 中添加时序模型,详情查看:contrib/timeseries/README.md
在 tensorflow/contrib/lite/schema.fbs 中添加 FULLY_CONNECTED 运算
增加 tf.contrib.nn.rank_sampled_softmax_loss,这是一个能改进 rank loss 的 sampled-softmax 变体
tf.contrib.metrics,修改 {streaming_covariance,streaming_pearson_correlation} 以在它们至少有 1 单位权重时返回 nan
在 contrib 中添加时序模型,详情查看:contrib/timeseries/README.md
在 tensorflow/contrib/lite/schema.fbs 中添加 FULLY_CONNECTED 运算
四、已知的问题
Tensorflow_gpu 用 Bazel 0.5.3 编译失败
Tensorflow_gpu 用 Bazel 0.5.3 编译失败