TensorFlow 2.4.0 候選版本主要功能改進(jìn)

主要功能改進(jìn)

tf.distribution 通過tf.distribution.experimental.ParameterServerStrategy API 引入了對 Keras 模型異步訓(xùn)練實(shí)驗(yàn)性支持。更多細(xì)節(jié)請參見下文。

MultiWorkerMirroredStrategy不再是一個(gè)實(shí)驗(yàn)性 API，現(xiàn)在已進(jìn)入穩(wěn)定版本。針對命令執(zhí)行失敗和其他錯(cuò)誤進(jìn)行了修復(fù)。請查看具體教程，了解如何使用 Keras 進(jìn)行多任務(wù)并行訓(xùn)練。

對 tf.experimental.numpy 的新模塊進(jìn)行了實(shí)驗(yàn)性支持，此 API 不僅與NumPy 兼容，更便于編寫 TF 程序，可參閱詳細(xì)指南了解更多信息，更多細(xì)節(jié)請參見下文。

針對 Ampere 架構(gòu)的 GPU 添加了 TensorFlow-32（簡稱TF32） 的支持，這是一種基于 Nvidia Ampere 的GPU模式，默認(rèn)情況下將啟用。

Keras Functional API 的內(nèi)部重構(gòu)已經(jīng)完成，這次重構(gòu)提高了構(gòu)建 Functional 模型的可靠性、穩(wěn)定性和性能。

Keras 混合精度訓(xùn)練的 API tf.keras.mixed_precision 已穩(wěn)定，不再為實(shí)驗(yàn)性支持。這允許在訓(xùn)練過程中使用 16 位浮點(diǎn)數(shù)格式，在 GPU 上的性能提升高達(dá) 3 倍，在 TPU 的提升也高達(dá) 60 %。

TF Profiler 現(xiàn)在支持使用采樣模式 API ，對多個(gè)工作進(jìn)程進(jìn)行性能分析。

TFLite Profiler Android 版本現(xiàn)已推出。請參閱指南以了解更多信息。

TensorFlow pip 安裝包現(xiàn)已使用 CUDA11 和 cuDNN 8.0.2構(gòu)建。

重大改進(jìn)

TF Core

C-API 的字符串張量的字節(jié)布局已被更新，已與 TF Core/C++ 匹配，即 tensorflow::tstring/TF_TString的連續(xù)數(shù)組。

C-API 函數(shù) TF_StringDecode、TF_StringEncode 和 TF_StringEncodedSize 不再被使用，現(xiàn)已移除；關(guān)于 C 語言中的字符串訪問/修改，請參見core/platform/ctstring.h。

tensorflow.python、tensorflow.core和tensorflow.compiler 模塊現(xiàn)在被隱藏。這些模塊不再是 TensorFlow 可訪問 API 的一部分。

tf.raw_ops.Max 和 tf.raw_ops.Min 不再接受類型為tf.complex64 或 tf.complex128 的輸入，因?yàn)檫@些操作對于復(fù)雜類型的行為沒有被明確定義。

由于使用了 TensorFloat-32，某些 float32 操作在基于 Ampere 架構(gòu)的 GPU 上以較低的精度運(yùn)行，包括乘法和卷積。具體來說，這類運(yùn)算的輸入從 23 位精度四舍五入到 10 位。這對于深度學(xué)習(xí)模型來說，在實(shí)踐中不太會造成問題。但在某些情況下，TensorFloat-32 （單精度浮點(diǎn)數(shù)值）也被用于 complex64 操作?？梢酝ㄟ^調(diào)用config.experimental.enable_tensor_float_32_execution(False) 來禁用 TensorFloat-32 。

默認(rèn)情況下，XLA:CPU 和 XLA:GPU 設(shè)備不再注冊。如果你真的需要它們，請使用 TF_XLA_FLAGS=--tf_xla_enable_xla_devices，但該標(biāo)志位也將在后續(xù)版本中刪除。

tf.keras:

compile() 中的 steps_per_execution 參數(shù)已穩(wěn)定，不再為實(shí)驗(yàn)性支持，如果您傳遞的是experimental_steps_per_execution，請?jiān)谀愕拇a中重新命名為 steps_per_execution 。這個(gè)參數(shù)控制了在調(diào)用 fit() 時(shí)，每次調(diào)用 tf.function 時(shí)要運(yùn)行的批次數(shù)量。在單次 tf.function 調(diào)用中運(yùn)行多個(gè)批次可以極大地提高在 TPU 中或帶有大量 Python 計(jì)算的小型模型的性能。

對 Keras Functional API 內(nèi)部的重大重構(gòu)可能會影響到以下代碼：

在檢查 Keras 符號輸入/輸出時(shí)，使用isinstance(x, tf.Tensor) 而不是 tf.is_tensor的代碼，應(yīng)該改用 tf.is_tensor。

過分依賴符號張量所附加的確切名稱的代碼（例如，假設(shè)輸入的結(jié)尾為":0"，將名稱作為唯一的標(biāo)識符，而不是使用tensor.ref() 等）。

使用 get_concrete_function 直接跟蹤 Keras 符號輸入的代碼，應(yīng)該改成直接構(gòu)建匹配的 tf.TensorSpecs 并跟蹤TensorSpec對象。

依賴于 TensorFlow 操作轉(zhuǎn)換為操作層后所對應(yīng)的確切數(shù)量和名稱的代碼，可能需要更改。

使用了tf.map_fn/tf.cond/tf.while_loop/control flow 作為操作層的代碼，且碰巧能在 TF 2.4 之前的版本工作的代碼?，F(xiàn)在將明確地不支持這些功能。在 TF 2.4 之前，將這些操作轉(zhuǎn)換為 Functional API 操作層是不可靠的，而且容易出現(xiàn)難以理解或無法定位的錯(cuò)誤。

直接對 Keras 符號值進(jìn)行斷言操作的代碼，如 tf.rank 這樣可根據(jù)輸入是靜態(tài)值或符號值而返回對應(yīng)的類型的操作，現(xiàn)在這些操作將統(tǒng)一返回符號值。

能夠直接泄露張量到計(jì)算圖以外的代碼，在這個(gè)版本中將更易于導(dǎo)致泄露。

嘗試直接計(jì)算 Keras 符號輸入/輸出的梯度的代碼?，F(xiàn)在可以使用 GradientTape ，來代替?zhèn)鬟f給已構(gòu)建模型的實(shí)際張量。

需要通過轉(zhuǎn)換后的操作層進(jìn)行非常復(fù)雜的形狀操作才能工作的代碼。Keras 符號形狀推理被證明是不夠的。

試圖手動逐層遍歷 tf.keras.Model 的代碼。它假設(shè)層中只有一個(gè)位置參數(shù)。單這個(gè)假設(shè)在 TF 2.4 之前也不成立，新版本中更容易引起問題。

在構(gòu)建模型之前需要手動輸入keras.backend.get_graph() 的代碼，現(xiàn)在已經(jīng)不需要這么做了。

在調(diào)用 Functional API Keras 模型一開始便強(qiáng)制進(jìn)行輸入形狀假釋的代碼。這可能對一些用戶造成影響，如 在 Functional 模型中創(chuàng)建 Input 對象時(shí)使用的形狀與傳遞給該模型的數(shù)據(jù)的形狀不匹配時(shí)。您可以通過使用正確形狀的數(shù)據(jù)調(diào)用模型，或者通過放寬 Input 形狀假設(shè)來解決不匹配的問題（您可以將 shape 屬性設(shè)為 None ，將此作為軸（axis）以表示這是動態(tài)的），您也可以通過設(shè)置 model.input_spec = None 來完全禁止輸入檢查。

tf.data:

tf.data.experimental.service.DispatchServer 現(xiàn)在采用配置元組而不是單個(gè)參數(shù)。用法更新為 tf.data.experimental.service.DispatchServer(dispatcher_config)。

tf.data.experimental.service.WorkerServer 現(xiàn)在采用配置元組，而不是單個(gè)參數(shù)。用法更新為 tf.data.experimental.service.WorkerServer(worker_config)。

tf.distribute:

移除 tf.distribution.Strategy.experimental_make_numpy_dataset。請使用 tf.data.Dataset.from_tensor_slices 來代替。

將 tf.distribut.StrategyExtended.reduce_to、tf.distribut.StrategyExtended.batch_reduce_to、tf.distribut.ReplicaContext.all_reduce 中的 experimental_hints 重命名為 options。

將 tf.distribution.experimental.CollectiveHints 重命名為 tf.distribution.experimental.CommunicationOptions。

將 tf.distribution.experimental.CollectiveCommunication 重命名為 tf.distribution.experimental.CommunicationImplementation。

將 tf.distribut.Strategy.experimental_distribute_datasets_from_function 重命名為 distribute_datasets_from_function，因?yàn)樗粌H支持實(shí)驗(yàn)環(huán)境。

刪除了 tf.distribut.Strategy.experimental_run_v2 方法，該方法在 TF 2.2 中已被廢棄。

tf.lite:

引入了 tf.quantization.quantize_and_dequantize_v2，它更新了超過范圍的量化的梯度定義。要模擬tf.quantization.quantize_and_dequantize(...)的 V1 行為，使用tf.grad_pass_through(tf.quantization.quantize_and_dequantize_v2)(...)。

如果您想詳細(xì)了解 本文提及 的相關(guān)內(nèi)容，請參閱以下文檔。這些文檔深入探討了這篇文章中提及的許多主題：

使用 Keras 進(jìn)行多任務(wù)并行訓(xùn)練
https://tensorflow.google.cn/tutorials/distribute/multi_worker_with_keras

tf.experimental.numpy
https://tensorflow.google.cn/api_docs/python/tf/experimental/numpy

詳細(xì)指南
https://tensorflow.google.cn/guide/tf_numpy

tf.keras.mixed_precision
https://tensorflow.google.cn/api_docs/python/tf/keras/mixed_precision?version=nightly

采樣模式 API
https://tensorflow.google.cn/guide/profiler#profiling_apis

指南
https://tensorflow.google.cn/lite/performance/measurement#trace_tensorflow_lite_internals_in_android

TensorFloat-32
https://blogs.nvidia.com/blog/2020/05/14/tensorfloat-32-precision-format/

責(zé)任編輯：xj

原文標(biāo)題：TensorFlow 2.4.0 候選版本發(fā)布

文章出處：【微信公眾號：TensorFlow】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。