业界 | 谷歌发布TensorFlow 1.3.0版本,新加多个分类器、回归器

选自Github

机器之心编译

参与:蒋思源、李亚洲

近日,谷歌发布了 TensorFlow 最新版本 1.3.0。该版本对一些内容进行了更新与改进。机器之心对此版本的重要特征与改进做了概要介绍。

发布地址:https://github.com/tensorflow/tensorflow/releases/tag/v1.3.0

重要特征与改进

  • 向 TensorFlow 库中增加了以下评估器(estimators):
  • DNNClassifier
  • DNNRegressor
  • LinearClassifier
  • LinearRegressor
  • DNNLinearCombinedClassifier
  • DNNLinearCombinedRegressor
  • 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
  • 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)

API 的重大变化

  • 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

contrib API 的改变

  • 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

已知问题

  • Tensorflow_gpu 用 Bazel 0.5.3 编译失败

本文为机器之心编译,转载请联系本公众号获得授权。

原文发布于微信公众号 - 机器之心(almosthuman2014)

原文发表时间:2017-08-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏我是极客人

图片去霾算法实践】NDK下二维数组的传递

最近看到了一篇关于图片“去霾算法”的文章,一下子就有了兴趣,所以想着能不能实现。由于数学能力捉急,无法理解文章的思想和相关论文。于是在Github上找到了相关的...

1123
来自专栏cs

python统计一下自己的花费

1513
来自专栏新智元

【重磅】谷歌TensorFlow 1.0发布,智能手机也能玩转深度学习

【新智元导读】 近日,谷歌开源深度学习框架 TensorFlow 发布了完整的1.0版本,不仅改进了库中的机器学习功能,而且对 Python 和 Java 用户...

3067
来自专栏专知

【下载】PyTorch实现的神经网络翻译框架——机器翻译工具包 nmtpytorch

【导读】机器翻译是自然语言处理的重要组成部分,其目的是使用计算机自动将文本翻译成其他语言的形式。近年来,端到端的神经机器翻译发展迅速,已经成为机器翻译系统的新主...

3809
来自专栏Y大宽

RNA-seq(6): reads计数,合并矩阵并进行注释

小结 计数分为三个水平: gene-level, transcript-level, exon-usage-level 标准化方法: FPKM RPKM ...

4695
来自专栏开发 & 算法杂谈

基于Happens-before的数据竞争方法汇总 (三)

在上一篇文章中提到了基于happens-before关系的FastTrack动态数据竞争检测方法,这篇文章中介绍的Loft方法是在FastTrack方法上进行了...

1883
来自专栏上善若水

L016使用/dev/random生成随机数

很多库例程产生的“随机”数是准备用于仿真、游戏等等;它们在被用于密钥生成一类的安全函数时是不够随机的。其问题在于这些库例程使用的算法的未来值可以被攻击者轻易地推...

1554
来自专栏PPV课数据科学社区

《Kaggle项目实战》 泰坦尼克:从R开始数据挖掘(一)

摘要: 你是否为研究数据挖掘预测问题而感到兴奋?那么如何开始呢,本案例选自Kaggle上的数据竞赛的一个数据竞赛项目《泰坦尼克:灾难中的机器学习》,案例涉及一...

3466
来自专栏人工智能LeadAI

五分钟喝不完一杯咖啡,但五分钟可以带你入门TensorFlow

本文是《人人都能学人工智能-TensorFlow系列》文章的第一篇,这个系列会对TensorFlow的基础使用,SoftMax,交叉熵,Dropout,CNN,...

4579
来自专栏人人都是极客

五分钟喝不完一杯咖啡,但五分钟可以带你入门TensorFlow

本文是《人人都能学人工智能-TensorFlow系列》文章的第一篇,这个系列会对TensorFlow的基础使用,SoftMax,交叉熵,Dropout,CNN,...

51012

扫码关注云+社区

领取腾讯云代金券