TensorFlow 2.7正式版上线，支持Jax模型到TensorFlow Lite转换

 

「调试代码（debug）是正式e转框架用户体验的关键部分，更轻松的版上调试意味着更快的迭代周期。在此版本中，线支我们通过三个主要更改对 TF/Keras 调试体验进行了广泛的模型重新设计，使其更高效、正式e转更有趣……」谷歌科学家，版上Keras 发明者 François Chollet 说道。线支

11 月 5 日，模型TensorFlow 官方发布了 2.7 正式版，正式e转距离上次 2.6.1 的版上更新刚过去一个月时间。

在 TensorFlow 博客上，线支官方简述了新版本的模型主要升级内容：

TensorFlow 2.7 主要变化

tf.keras：

Model.fit()、 Model.predict() 和 Model.evaluate()方法将不再把 (batch_size,正式e转 ) 的输入数据上升为 (batch_size, 1)。这使得 Model 子类能够在其 train_step()/ test_step()/ predict_step()方法中处理标量数据； Model.to_yaml()和 keras.models.model_from_yaml 方法已被替换为引发 RuntimeError，版上因为它们可能被滥用以导致任意代码执行。线支建议使用 JSON 序列化而不是 YAML，或者，一个更好的替代方案，序列化到 H5； LinearModel 和 WideDeepModel 被移至 tf.compat.v1.keras.models. 命名空间（ tf.compat.v1.keras.models.LinearModel 和 tf.compat.v1.keras.models.WideDeepModel），其 experimental 端点 tf.keras.experimental.models.LinearModel 和 tf.keras.experimental.models.WideDeepModel 被弃用； 所有 tf.keras.initializers 类的 RNG 行为改变，这一变化将使初始化行为在 v1 和 v2 之间保持一致。

tf.lite：

重命名 schema 中的 SignatureDef 表，服务器托管以最大化与 TF SavedModel Signature 概念的奇偶校验。 弃用 Makefile 构建，Makefile 用户需要将他们的构建迁移到 CMake 或 Bazel。 弃用 tflite::OpResolver::GetDelegates。TfLite 的 BuiltinOpResolver::GetDelegates 所返回的列表现在总是空的。相反，建议使用新方法 tflite::OpResolver::GetDelegateCreators。

TF Core：

tf.Graph.get_name_scope() 现在总是返回一个字符串。之前当在 name_scope("") 或 name_scope(None) 上下文中调用时，它返回 None， 现在它返回空字符串； tensorflow/core/ir/ 包含一个新的基于 MLIR 的 Graph dialect，它与 GraphDef 同构，并将用于替换基于 GraphDef（例如 Grappler）的优化； 弃用并删除了形状推理中的 attrs() 函数，现在所有的属性都应该通过名字来查询。 以下 Python 符号是在 TensorFlow 的早期版本中意外添加的，现在已被删除。每个符号都有一个替换项，但请注意替换项的源码下载参数名称是不同的： tf.quantize_and_dequantize_v4（在 TensorFlow 2.4 中意外引入）：改用 tf.quantization.quantize_and_dequantize_v2； tf.batch_mat_mul_v3（在 TensorFlow 2.6 中意外引入）：改用 tf.linalg.matmul； tf.sparse_segment_sum_grad（在 TensorFlow 2.6 中意外引入）：改用 tf.raw_ops.SparseSegmentSumGrad。

将 tensorflow::int64 重命名为 int_64_t（前者是后者的别名）。

模块化文件系统的迁移：

对 S3 和 HDFS 文件系统的支持已经迁移到一个基于模块化文件系统的方法，现在可以在 https://github.com/tensorflow/io 中使用。用户需要安装 tensorflow-io python 包，以支持 S3 和 HDFS。

TensorFlow 2.7 主要功能和改进

对 TensorFlow 调试经验的改进：以前，TensorFlow 错误堆栈跟踪涉及许多内部帧，读出这些帧可能具有挑战性，而且对最终用户而言不可操作。从 TF 2.7 开始，TensorFlow 在它引发的大多数错误中过滤内部帧，以保持堆栈跟踪简短、可读，并专注于最终用户可操作的内容。

通过在每个异常中添加传递给该层的参数值的完整列表，提高由 Keras Layer.__call__()引发的错误消息信息量。

tf.data：tf.data 服务现在支持自动分片（auto-sharding）。用户通过 tf.data.experimental.service.ShardingPolicy 枚举指定分片策略；tf.data.experimental.service.register_dataset 现在接受可选的 compression 参数。站群服务器

Keras：tf.keras.layers.Conv 现在包含一个公共的 convolution_op 方法。此方法可用于简化 Conv 子类的实现，有两种方式使用这个新方法，第一种方法如下：

class StandardizedConv2D(tf.keras.layers.Conv2D):     def call(self, inputs):       mean, var = tf.nn.moments(self.kernel, axes=[0, 1, 2], keepdims=True)       return self.convolution_op(inputs, (self.kernel - mean) / tf.sqrt(var + 1e-10)) 

你也可以采用如下方法：

class StandardizedConv2D(tf.keras.Layer):     def convolution_op(self, inputs, kernel):       mean, var = tf.nn.moments(kernel, axes=[0, 1, 2], keepdims=True)       # Author code uses std + 1e-5       return super().convolution_op(inputs, (kernel - mean) / tf.sqrt(var + 1e-10))  向 tf.keras.metrics.Metric 添加了 merge_state() 方法以用于分布式计算； 向 tf.keras.layers.TextVectorization 添加了 sparse 和 ragged 的选项，以允许来自层的 SparseTensor 和 RaggedTensor 输出。

tf.lite：添加 experimental API Experiment_from_jax 以支持从 Jax 模型到 TensorFlow Lite 的转换；支持 uint32 数据类型；添加实验量化调试器 tf.lite.QuantizationDebugger。

更多详情可查看：

https://github.com/tensorflow/tensorflow/releases/tag/v2.7.0