TensorFlow 2.8.0正式上线，修复众多Bug，发布50多个漏洞补丁

机器之心报道

近日TensorFlow官方发布了2.8.0正式版，距离上次2.7版本的更新过去没多久，新版本提供了更多的bug修复和功能改进，此外新版本还针对漏洞发布了补丁。

对于的上线，网友也纷纷感叹，这次的Bug修复也太棒了！

不过也有网友已经迫不及待的期待的到来，并表示TensorFlow1到TensorFlow2是一个巨大的飞跃，将来2到3又会有哪些亮眼的表现呢？

众所周知，TensorFlow由谷歌开发，最初版本可追溯到2015年开源的，之后发展稳定，拥有强大的用户群体，成为最受欢迎的深度学习框架。但是用户在使用时，也暴露了TensorFlow缺点，例如API稳定性不足、静态计算图编程复杂等缺陷。因此在版本，谷歌将Keras纳入进来，成为，到目前为止，TensorFlow已经更新到2.8版本，那么新版本有哪些重要的改进呢？

主要功能和改进

在中，增加了TFLite内置op支持以下功能：

_可在CPU上操作；

可用于数据类型、、、、；

用于在CPU上输出数据类型；

用于在CPU上输出数据类型；

用于在CPU上的输出数据类型。

：

Conversion_params在TrtGraphConverterV2中被弃用，现在可以支持参数max_workspace_size_bytes、precision_mode、minimum_segment_size、maximum_cached_engines、use_calibration和allow_build_at_runtime；

在TrtGraphConverterV2中的.save()函数中添加了一个名为save_gpu_specific_engines的新参数。当为False时，.save()函数不会保存任何已构建的TRT引擎；如果为True（默认），则保留原始行为；

TrtGraphConverterV2提供了一个名为.summary()的新API。它显示了每个TRTEngineOp及其输入和输出的形状和dtype，并提供了详细版本摘要。

：

增加了一个额外的参数output_shape，它可以指定特征输出激活的形状；

现在具有与_embedding_lookup相同的功能，它可以使用任意等级密集和稀疏的张量。对于不规则张量，尽管输入张量仍然是2级，但现在可以通过在特征配置中指定输出形状或通过build方法来激活2级或更高级别。

添加_op_determinism，这使得TensorFlowops以性能为代价可以确定性地运行。替换TF_DETERMINISTIC_OPS环境变量。

（自起）向TensorFlowProfiler添加PluggableDevice支持。

Bug修复和其他改进

：

如果用户未禁用，现在优化parallel_batch现在成为默认值，这样可以并行复制批处理元素；

添加了TensorSliceDataset，用于识别和处理文件输入。

：

为JavaAPI的序列化添加GPU委托支持，当OpenCL可用时，这将初始化时间提高了90%；

弃用Interpreter::SetNumThreads，支持InterpreterBuilder::SetNumThreads。

用于keras初始化和所有的RNG代码；

TextVectorization增加了额外的standardize和split模式：standardize="lower"转化为小写字母输入；standardize="string_punctuation"删除所有标点符号；Split="character"将对每个unicode字符进行拆分。

增加GPU实现：

(自2.7版本开始)_mean

(自2.7版本开始)_prod

(自2.7版本开始)_sum

TensorFlow已在适用于GPU和CPU的WindowsSubsystemforLinux2（又名WSL2）上得到验证。

此外，在安全方面进行了一些修正，包括修正了执行卷积运算时浮点数被0除的问题：CVE-2022-21725；修正了Dequantize形状推断中的整数溢出问题：CVE-2022-21727；修正了ConcatV2形状推断中的类型混淆问题：CVE-2022-21731等。

更多内容，请参考：