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
