TensorFlow 1.2.0新版本发布：新增Intel MKL优化深度学习基元

大数据文摘作品，转载要求见文末

作者 | av8ramit

编译｜钱天培

TensorFlow在今天最新发布了1.2.0版本。在这一新版本中，TensorFlow新增Intel MKL优化深度学习基元，实现了对Windows系统上对Python 3.6的支持，发布了开源版的TensorBoard，并进行了大量的命名修改，以实习同一模块内命名的一致性。下面，大数据文摘将为你带来完整版的TensorFlow 1.2.0 改进介绍。

◆ 在Windows上提供Python 3.6支持

◆为spatio temporal deconvolution添加tf.layers.conv3d_transpose层

◆ 添加了tf.Session.make_callable()，方便对相似步骤进行多次执行

◆ 为contrib添加了基于IB verbs的RDMA支持（感谢来自雅虎的@junshi15提供）

◆RNNCell现在是tf.layers.Layer的子类（subclass）。

现版本比TensorFlow1.1更灵活：当一个RNNCell对象被第一次使用时，它的作用域（scope）就被缓存记录了。后期对RNNCell的使用会对同一作用域的变量作再使用。相比于TensorFlow 1.0.1以下的版本，这是一个巨大的转变。TensorFlow 1.1 用了一些检验来确保旧版本的代码可以在新版本的环境下成功运行；本版本允许了更灵活的RNNCell使用方法，但在TensorFlow 1.0.1以下版本编写的代码也可能在新版本中出问题。比如说，MultiRNNCell([lstm] * 5)在新版本中会建立一个5层的LSTM堆栈（5-layer LSTM stack），每个堆栈有相同的参数。如果要创建一个有各自参数的5层LSTM堆栈，你需要用MultiRNNCell([LSTMCell(...) for _ in range(5)])。如果不确定的话，先用TF 1.1 测试你的代码，确保无误之后，再升级到TF 1.2。

◆ TensorForest Estimator现在支持SavedModel导出

◆ 支持用户提供的ClusterSpec，并把他们扩散给了所有工作者，从而建立动态TensorFlow集群

◆ TensorFlow C库现在可在Windows使用

◆ 发布了一个开源版的TensorBoard

◆ 可用SavedModel CLI工具来检查、执行SavedModel中的MetaGraph

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/README.md

◆ 安卓版的TensorFlow现在被push到了jcenter以便被整合入各类app中。更多细节参见

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/README.md

◆ RNNCell的变量名被重新命名，以确保与Keras层相一致。

具体来说，之前的变量名“weights”和“biases”已经被改为了“kernel”和“bias”。这可能会与你之前设置的包含这类RNNCell的检查点（checkpoint）反馈不兼容，在这种情况下你可以用checkpoint_convert script来修改旧变量名。

◆ 许多在1.0版本中位于tf.nn命名空间下并被移到tf.contrib.rnn下的RNN的函数和类现在被重新移回了它们的核心命名空间下。

这包括了RNNCell，LSTMCell，GRUCell和一部分其他cell。这些cell现在位于tf.nn.rnn_cell下（为了兼容，tf.contrib.rnn下仍保留了它们的别名）。原先的tf.nn.rnn现在变成了tf.nn.static_rnn，而双向静态（bidirectional static）和状态保存静态（state saving static）的RNN函数现在也被移回了tf.nn的主命名空间下。

◆ 最显著的例外是EmbeddingWrapper, InputProjectionWrapper和OutputProjectionWrapper。

它们会被慢慢移入tf.contrib.rnn的弃用项（deprecation）中。这类wrapper都不够高效，通常该被作为RNN的预处理或后处理的embedding_lookup 或 layers.dense所取代。对于RNN解码，这一功能已经被tf.contrib.seq2seq中的另一个API替代了。

◆Intel MKL 集成 (https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture)。

Intel发开了一众优化深度学习基元。除了矩阵乘法和卷积以外，这些组成模块还包括了：

1. 直接的批量卷积（Direct batched convolution）
2. 池化：最大化、最小化和平均数（Pooling: maximum, minimum, average）
3. 激活：ReLU （Activation: ReLU)
4. 数据处理：多维移项、分解、合并、相加和扩展 （Data manipulation: multi-dimensional transposition (conversion), split, concat, sum and scal）

来源：https://github.com/tensorflow/tensorflow/releases/tag/v1.2.0

关于转载 如需转载，请在开篇显著位置注明作者和出处（转自：大数据文摘 | bigdatadigest），并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑，可直接转载，转载后请将转载链接发送给我们；有原创标识文章，请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者，我们将依法追究其法律责任。联系邮箱：zz@bigdatadigest.cn。