TensorFlow 2.15: Últimas Actualizaciones

Esta versión optimiza el rendimiento de oneDNN, amplía las funciones de tf.function y mejora el manejo de datos en tf.data. TensorFlow Lite y Keras también reciben actualizaciones, lo que hace que la plataforma sea más eficiente y fácil de usar para tareas de aprendizaje automático.

Estas optimizaciones pueden generar resultados numéricos ligeramente diferentes, pero tienen como objetivo mejorar el rendimiento.

Otra mejora clave es la expansión del sistema de tipos ‘tf.function’. Esta actualización permite un mayor control y flexibilidad al trabajar con funciones de TensorFlow. Introduce ‘tf.types.experimental.TraceType’ para manejar entradas de funciones personalizadas de TensorFlow, ‘tf.types.experimental.FunctionType’ para representar de manera integral firmas de funciones y ‘tf.types.experimental.AtomicFunction’ para cálculos rápidos de TensorFlow en Python.

También se han perfeccionado las capacidades de procesamiento de datos de TensorFlow. La opción ‘warm_start’ se ha movido a ‘tf.data.Options’, simplificando el manejo de datos y ofreciendo más control.

Además, TensorFlow 2.15 introduce correcciones de errores y cambios adicionales. Una adición notable es el TensorFlow Quantizer en el paquete TensorFlow pip, que ayuda a cuantificar modelos. Además, ofrece una opción para hacer que la salida del gradiente de funciones específicas sea escasa en lugar de densa.

TensorFlow Lite

TensorFlow Lite (tf.lite) ha recibido varias actualizaciones, incluida la compatibilidad con la transmisión en ciertas operaciones y la promoción de la clase tflite::SignatureRunner, que simplifica el trabajo con parámetros con nombre y cálculos dentro de los modelos TF Lite. Esta mejora elimina su estado experimental.

Mejoras de Keras

Keras, una API de redes neuronales de alto nivel, también recibió actualizaciones, incluidas correcciones de errores, nuevas operaciones en ‘tensorflow.raw_ops’ y la adición del argumento ‘tf.CheckpointOptions’ para ejecutar devoluciones de llamada durante el guardado del punto de control. También hay una opción para controlar el comportamiento del tiempo de ejecución ansioso al ejecutar invocaciones de funciones remotas paralelas.