TensorFlow 1.0 变化 ============ (cc) 开源研习社 CC共享协议下 版权所有  官网： http://tensorflow.org/ Github： https://github.com/tensorflow/tensorflow/  [TOC] ### 1. 更快的速度，引入了XLA，最高提升58倍训练速度 --------------------------------- XLA —— 全称 Accelerated Linear Algebra，意为加速线性代数，是一个针对 TensorFlow 中线性代数运算的试验性质编译器。它通过生成既能运行于 GPU、又能在 CPU 运行的机器代码，来加速数学计算。目前， XLA 只支持英伟达 GPU，但这与当下机器学习应用对 GPU 支持的现状是一致的。 TensorFlow 1.0 相比于 0.12版本： 运行 Inception v3模型， 8GPU硬件下，1.0版比0.12版本快7.3倍 分布式64GPU情况下，1.0版比0.12版本快58倍   详细情况： https://www.tensorflow.org/performance/xla XLA主要包括两种使用方式：JIT(Just in time)能够自动将Graph中的部分子图通过XLA融合某些操作来减少内存需求提高执行速度；AOT(Ahead of time)可以提前将Graph转换为可以执行的源码，减少生成的可执行文件的大小，减少运行的时间消耗，一个很明显的应用场景是模型在移动设备上的Inference优化。 ### 2. XLA使 TensorFlow 在移动设备上运行 ---------------------------------------------- XLA 提升了 TensorFlow 的移动性。现有的、未经调整的 TensorFlow 程序只需创建一个后端即可在新硬件平台上运行。  这么做的意义非同寻常 ——此前， IBM 就为它的 PowerAI 机器学习硬件解决方案加入了对 TensorFlow 的支持，前者由 Power8 CPU 和 GPU 混合运行。  TensorFlow的工程师已经缩减了它的整体内存占用和 APP 的存储空间占用。这些优化对各类硬件运行环境都有好处，但对于移动平台尤其重要。此前的 TensorFlow 版本已经加入了对安卓、iOS 和 Raspberry Pi 硬件平台的支持，使得 TensorFlow 能在这类设备上处理诸如图像分类之类的任务。 创造出能在普通智能手机上运行的机器学习模型，而无需 24 小时每时每刻的云端支持，将会孵化出一系列新型应用。这是 TensorFlow 1.0 的野心之一。 TF1.0引入了新版的安卓Demo。包含物体识别、图像标记应用。 ### 3. 引入更高级别API，增强灵活性和兼容性 ------------------------------------------------- 引入了抽象性、封装性更高级别的API： tf.layers、tf.metrics 和 tf.losses 模块. 同时引入了 tf.keras 模块，加强与 Keras 的兼容性  ### 4. 强化Python API，更适用于生产环境 ----------------------------------------------- 加强Python API版本的稳定性，从0.1x升级后大部分代码兼容，更加适用于生产环境部署。 在Python API封装上， 抽象层更加接近 NumPy  TensorFlow在Google内部项目应用的增长也十分迅速：在Google多个产品都有应用如：Gmail，Google Play Recommendation， Search， Translate， Map等等；有将近100多project和paper使用TensorFlow做相关工作。 TF强化其最大的特点： 从 研究机构 到 工业应用 的全覆盖框架。研究机构和开发用的技术，同样可用于实际大规模服务器部署和移动端部署。  科学家 和 工程师 在同一平台下进行科学研究 和 实际工程应用。  ### 5. 引入了TF调试器（TF Debuger） ----------------------------------------- TensorFlow Debugger (tfdbg) 帮助开发者更好的调试 ### 4. 加入实验性的Java API 、Go API ----------------------------------------------- 引入了对Java和Go语言的API，但支持不全，最全的还是Python API ### 5. 支持与 Python 3 兼容的 Docker 镜像，引入 TensorFlow Serving 服务 ------------------------------------------------ 完善的Docker支持  把训练好的模型提供生产环境可用的服务，通常有以下几个需求： 长期稳定服务，低时延 支持多个模型服务 支持同一模型多版本 保证计算时耗尽量小以保证一些实时性需求 mini-batching的支持，以提高效率 TensorFlow Serving的设计就是为了解决这些需求，而且TensorFlow基于gRPC，支持多种语言。 ### 6. 生态融合 ----------------- TensorFlow支持以下多种技术的协作和底层存储    ### 7. 升级到 1.0 版本 ----------------------- TF框架提供了 tf_upgrade.py 脚本来讲代码升级，但是并不完美。 建议手工调整或运行不同版本。 ~~~ $ python tf_upgrade.py --infile InputFile --outfile OutputFile ~~~ 详细指南： https://www.tensorflow.org/install/migration ### 8. 更多模型 ---------------- TF 引入更多的模型，原来在主仓库的模型现在迁移到新的单独的仓库了： https://github.com/tensorflow/models ### 附录：版本历史