TensorFlow 2.2.0-rc0已发布，据官方介绍，TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
更新内容如下：
主要特性和改进
将字符串张量的标量类型从 std::string 替换为 tensorflow::tstring
TF 2 的新 Profiler，用于 CPU/GPU/TPU。它提供设备和主机性能分析，包括输入管道和 TF Ops。
不推荐使用 SWIG，而是使用 pybind11 将 C++ 函数导出到 Python，这是弃用 Swig 所作努力的一部分。
tf.distribute:
将 NVIDIA NCCL 更新到 2.5.7-1，以获得更好的性能和性能调整。
支持在 float16 中减少梯度。
所有实验的支持都减少了梯度压缩，以允许使用反向路径计算进行重叠梯度聚合。
通过使用新添加的 tf.keras.layers.experimental.SyncBatchNormalization 层，添加了对全局同步 BatchNormalization 的支持。该层将在参与同步训练的所有副本之间同步 BatchNormalization 统计信息。
使用 tf.distribute.experimental.MultiWorkerMirroredStrategy 提高 GPU 多工分布式培训的性能
可以通过覆盖 Model.train_step 将自定义训练逻辑与 Model.fit 结合使用。
轻松编写最新的培训循环，而不必担心 Model.fit 为你处理的所有功能（分发策略，回调，数据格式，循环逻辑等）
Model.fit 的主要改进：
现在，SavedModel 格式支持所有 Keras 内置层（包括指标，预处理层和有状态 RNN 层）
默认情况下启用 TFLite 实验性新转换器。
XLA 现在可以在 Windows 上构建并运行。所有预构建的软件包都随附有 XLA。
可以在 CPU 和 GPU 上使用“编译或抛出异常”语义为 tf.function 启用 XLA。
tf.keras:
tf.lite:
XLA
更新说明： https://github.com/tensorflow/tensorflow/releases/tag/v2.2.0-rc0