TensorFlow 2.5.0 komt met ondersteuning voor Python 3.9

Abonneer je gratis op Techzine!

Er is een nieuwe update uit van TensorFlow. Versie 2.5.0 krijgt ondersteuning bij voor Python 3.9. Dit is de nieuwste grote update van de programmeertaal. TensorFlow geeft aan dat het nu Python 3.6, 3.7 en 3.8 ondersteunt.

De nieuwe variant van TensorFlow zorgt ervoor dat de opensource-machinelearning-software wordt verbeterd. Zo is de tf.data-service vernieuwd waardoor het strikte round robin-leesbewerkingen ondersteunt. Dat is handig als je de trainingworkload wil synchroniseren bij verschillende groottes. Consumenten krijgen hierdoor voorbeelden van gelijke groottes binnen dezelfde stap.

Python

Het is bovendien mogelijk om de tf.data-inputlijnen te gebruiken in debug, zodat asynchronie, parallellisme en non-determinisme worden uitgeschakeld. Hierbij krijgt Python-executie voorrang boven trace-gecomplieerde grafiekuitvoeringen van functies die de gebruiker heeft gedefinieerd.

De op MLIR gebaseerde kwantiseringsbackend is nu standaard ingeschakeld in tf.lite. MLIR staat voor Multi-Level Intermediate Representation en definieert een interne representatie voor machinelearning-modellen. Het is en nieuwe backend voor 8-bit-kwantisering van volledige getallen na training, die tegelijkertijd helpt bij het verwijderen van overtollige schaalvergroting. Daarnaast helpt het ook bij bugs.

TensorFlow 2.5.0

Door de release is het mogelijk voor apparaten van derden om verbinding te maken met TensorFlow via plug-ins als StreamExecutor C API en PluggableDevice. Die laatste komt ook met aangepaste ops en kernels via C API. Daarnaast worden de cpu-prestaties beter bij TensorFlow-builds met Intel binnen x86-64 Linux en Windows. Je moet deze echter wel zelf inschakelen door een omgevingsvariabele in te stellen. Het wordt afgeraden om ze in gpu-systemen te gebruiken, omdat dit nog onvoldoende is getest.

Daarnaast is de grootste aanpassing dat TF_CPP_MIN_VLOG_LEVEL een nieuwe naam heeft gekregen. Die is nu te vinden onder TF_CPP_MAX_VLOG_LEVEL, omdat dit beter de lading dekt van wat deze omgeving werkelijk doet. Daarnaast zijn er ook een heleboel bug fixes gekomen binnen tf.keras, tf.data, tf.distribute en tf.lite. Check hiervoor ook de releasenotes.