ホーム » TensorFlow 2.0 » TensorFlow 2.1.0 リリースノート

TensorFlow 2.1.0 リリースノート

TensorFlow 2.1.0 リリースノート (翻訳)

翻訳 : (株)クラスキャット セールスインフォメーション
作成日時 : 01/10/2020

* 本ページは、github TensorFlow の releases の TensorFlow 2.1.0 を翻訳したものです:

 

Release 2.1.0

TensorFlow 2.1 は Python 2 をサポートする最後の TF リリースです。Python 2 サポートは 公式に 2020 年 1 月 1 日で終了します先にアナウンスされたように、TensorFlow もまた 2020 年 1 月 1 日から Python 2 をサポートすることを停止し、そして 2019 年にはそれ以上のリリースは想定されません。

 

主要な特徴と改良

  • tensorflow pip パッケージは今では Linux と Windows の両者のためにデフォルトで (tensorflow-gpu と同じ) GPU サポートを含むます。これは NVIDIA GPU を持つ/持たないマシン上で動作します。tensorflow-gpu は依然として利用可能で、そしてパッケージサイズについて心配しているユーザのために CPU-only パッケージが tensorflow-cpu でダウンロード可能です。
  • Windows ユーザ: 公式リリースされた tensorflow Pip パッケージは新しい /d2ReducedOptimizeHugeFunctions コンパイラ・フラグを利用するために今では Visual Studio 2019 バージョン 16.4 でビルドされています。これらの新しいパッケージを使用するには、Microsoft の web サイト ここ から利用可能な、”Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019″ をインストールしなければなりません。
    • これは Windows 上でソースから TensorFlow を構築するために最小限必要なバージョンを変更はしませんが、EIGEN_STRONG_INLINE を有効にしたビルドはこのフラグなしでコンパイルするには 48 時間以上かかるかもしれません。EIGEN_STRONG_INLINE と /d2ReducedOptimizeHugeFunctions についてのより多くの情報については configure.py を参照してください。
    • 必要な DLL, msvcp140.dll (old) または msvcp140_1.dll (new) のいずれかが貴方のマシン上で欠落する場合、import tensorflow は警告メッセージをプリントします。
  • tensorflow pip パッケージは CUDA 10.1 と cuDNN 7.6 でビルドされています。
  • tf.keras
    • mixed precision のための実験的サポートが GPU と Cloud TPU 上で利用可能です。利用ガイド を見てください。
    • TextVectorization 層を導入しました、これは入力として生文字列を取ってテキスト標準化、トークン化、n-gram 生成そして語彙インデキシングを扱います。この end-to-end テキスト分類サンプル を見てください。
    • モデルがスコープの内側で構築されたのであれば、Keras .compile .fit .evaluate そして .predict は DistributionStrategy スコープの外側でも許容されます。
    • Keras .compile, .fit, .evaluate と .predict のための実験的サポートが Cloud TPUs, Cloud TPU のために、総てのタイプの Keras モデル (sequential, functional と subclassing モデル) について利用可能です。
    • 自動 outside コンパイルが今では Cloud TPU のために利用可能です。これは tf.summary が Cloud TPU でより便利に利用されることを可能にします。
    • Cloud TPU 上 DistributionStrategy と Keras で動的バッチサイズがサポートされます。
    • tf.data.Dataset に加えて、numpy データを使用する TPU 上 .fit, .evaluate, .predict のためのサポート。
    • 多くの人気のモデルのための Keras 参照実装が TensorFlow モデル・ガーデン で利用可能です。

  • tf.data
    • より良いパフォーマンスのために tf.data データセット + DistributionStrategy のための再バッチ化を変更します。データセットは少し異なって動作することにも注意してください、再バッチ化されたデータセットの濃度は常にレプリカの数の倍数になる点で。
    • tf.data.Dataset は今では (TPU pod 上を含む) 分散環境で自動データ分散とシャーディングをサポートします。
    • tf.data.Dataset のための分散ポリシーは今では 1. tf.data.experimental.AutoShardPolicy(OFF, AUTO, FILE, DATA) 2. tf.data.experimental.ExternalStatePolicy(WARN, IGNORE, FAIL) で調整できます。
  • tf.debugging
    • 無限大と NaN を含む問題の根本的原因のデバッグを助けるために tf.debugging.enable_check_numerics() と tf.debugging.disable_check_numerics() を追加します。
  • tf.distribute
    • strategy.experimental_distribute_dataset, strategy.experimental_distribute_datasets_from_function, strategy.experimental_run_v2, strategy.reduce を通して TPU と TPU pod 上のカスタム訓練ループのサポートが利用可能です。
    • strategy.scope() に加えて、tf.distribute.experimental_set_strategy() を通してグローバル分散ストラテジーのためのサポート。
  • TensorRT
    • TensorRT 6.0 は今ではデフォルトでサポートされて有効にされます。これは Conv3D, Conv3DBackpropInputV2, AvgPool3D, MaxPool3D, ResizeBilinear と ResizeNearestNeighbor を含むより多くの TensorFlow ops のためのサポートを追加します。更に、TensorFlow-TensorRT python 変換 API が tf.experimental.tensorrt.Converter としてエクスポートされます。
  • 環境変数 TF_DETERMINISTIC_OPS が追加されました。”true” か “1” に設定されるとき、この環境変数は tf.nn.bias_add を決定論的に (i.e. 再現可能な方法で) 動作させますが、現在は XLA JIT コンパイルが有効ではないときだけです。TF_DETERMINISTIC_OPS の “true” か “1” への設定はまた cuDNN convolution と max-pooling も決定論的に動作させます。これは CUDA-有効 GPU 上で実行するとき Keras Conv*D と MaxPool*D を forward と backward 方向の両者で決定論的に動作させます。

 

互換性を損なう変更

  • Operation.traceback_with_start_line を削除します、これについて私達は必要ないことを知っているためです。
  • tf.Tensor.__repr__() から id を除去しました、id は内部デバッグ以外で有用ではないためです。
  • 今では幾つかの tf.assert_* メソッドは (その時に) 入力 tensor 値が知られれば、session.run() の間ではなく、演算作成時に assertion を上げます。これはグラフ実行がエラーの結果になるときに動作を変更するだけです。これが発生するとき、noop が返されて入力 tensor は非 feedable としてマークされます。換言すれば、それらが session.run() への feed_dict 引数でキーとして使用されるのであれば、エラーが上げられます。また、幾つかの assert ops はそれをグラフ内には作成しませんので、グラフ構造は変化します。異なるグラフは異なる per-op ランダムシードという結果になるかもしれません、それらが明示的に与えられないとき (殆どの場合)。
  • 次の API はもはや実験的ではありません : tf.config.list_logical_devices, tf.config.list_physical_devices, tf.config.get_visible_devices, tf.config.set_visible_devices, tf.config.get_logical_device_configuration, tf.config.set_logical_device_configuration。
  • tf.config.experimentalVirtualDeviceConfiguration は tf.config.LogicalDeviceConfiguration と名前変更されました。
  • tf.config.experimental_list_devices は除去されました、tf.config.list_logical_devices を使用してください。

 

バグ修正とその他の変更

(訳注 : 翻訳を省略します、必要であれば 原文を参照してください。)

 
以上

AI導入支援 #2 ウェビナー

スモールスタートを可能としたAI導入支援   Vol.2
[無料 WEB セミナー] [詳細]
「画像認識 AI PoC スターターパック」の紹介
既に AI 技術を実ビジネスで活用し、成果を上げている日本企業も多く存在しており、競争優位なビジネスを展開しております。
しかしながら AI を導入したくとも PoC (概念実証) だけでも高額な費用がかかり取組めていない企業も少なくないようです。A I導入時には欠かせない PoC を手軽にしかも短期間で認知度を確認可能とするサービの紹介と共に、AI 技術の特性と具体的な導入プロセスに加え運用時のポイントについても解説いたします。
日時:2021年10月13日(水)
会場:WEBセミナー
共催:クラスキャット、日本FLOW(株)
後援:働き方改革推進コンソーシアム
参加費: 無料 (事前登録制)
人工知能開発支援
◆ クラスキャットは 人工知能研究開発支援 サービスを提供しています :
  • テクニカルコンサルティングサービス
  • 実証実験 (プロトタイプ構築)
  • アプリケーションへの実装
  • 人工知能研修サービス
◆ お問合せ先 ◆
(株)クラスキャット
セールス・インフォメーション
E-Mail:sales-info@classcat.com