昨日，TensorFlow 官方宣布：TensorFlow 2.9 來了！距離上次 2.8 版本 的更新僅僅過去三個月。
新版本亮點包括如下：
oneDNN 的性能改進(jìn)；DTensor 的發(fā)布，這是一種新 API，可用于從數(shù)據(jù)并行無縫遷移到模型并行；對核心庫進(jìn)行了改進(jìn)，包括 Eigen、tf.function 統(tǒng)一以及對 Windows 的 WSL2 的新支持；還為 tf.function retracing 和 Keras 優(yōu)化器發(fā)布了新的實驗性 API。
下面讓我們來看看 TensorFlow 2.9 具體的改進(jìn)都有哪些。
TensorFlow 2.9 新特性提高 CPU 性能：oneDNN
TensorFlow 已經(jīng)與英特爾合作，將 oneDNN 性能庫與 TensorFlow 集成，以實現(xiàn)在英特爾 CPU 上的最高性能。從 TensorFlow 2.5 以來，TensorFlow 已經(jīng)對 oneDNN 進(jìn)行了實驗性支持，它可以提供高達(dá) 4 倍的性能提升。在 TensorFlow 2.9 中，默認(rèn)在 Linux x86 包和具有神經(jīng)網(wǎng)絡(luò)硬件功能（如 AVX512_VNNI、AVX512_BF16、AMX 等）的 CPU 上啟用 oneDNN 優(yōu)化，這些功能可在 Intel Cascade Lake 和更新的 CPU 上找到。
英特爾表示：我們很高興與 GoogleAI 合作，將 oneDNN 庫作為 TensorFlow 2.9 中的默認(rèn)后端 CPU 優(yōu)化！TensorFlow 用戶現(xiàn)在將看到由我們的開放軟件優(yōu)化驅(qū)動的 AI 性能加速，無需更改代碼！
在啟用 oneDNN 優(yōu)化的情況下運行 TensorFlow 的用戶，可能會觀察到與關(guān)閉優(yōu)化時略有不同的數(shù)值結(jié)果，這是因為浮點舍入方法和順序不同，可能會產(chǎn)生輕微的誤差。
如果上述情況給你帶來麻煩，請在運行 TensorFlow 程序之前通過設(shè)置 TF_ENABLE_ONEDNN_OPTS=0 來關(guān)閉優(yōu)化。假如你要重新啟用它們，請在運行 TensorFlow 程序之前設(shè)置 TF_ENABLE_ONEDNN_OPTS=1。要驗證優(yōu)化是否啟用，請在程序日志中查找以 oneDNN custom operations are on 開頭的消息。
DTensor
DTensor 是一種新的 TensorFlow API，可用于分布式模型處理，它允許模型無縫地從數(shù)據(jù)并行遷移到基于單程序多數(shù)據(jù)（SPMD）的模型并行。
DTensor 的核心設(shè)計原則如下：
設(shè)備無關(guān) API：這允許在 CPU、GPU 或 TPU 上使用相同的模型代碼，包括跨設(shè)備類型劃分的模型；多客戶端執(zhí)行：移除 coordinator 并讓每個任務(wù)驅(qū)動其本地連接的設(shè)備，從而允許在不影響啟動時間的情況下擴展模型；global perspective VS per-replica：傳統(tǒng)上使用 TensorFlow，分布式模型代碼是圍繞 replicas 編寫的，但使用 DTensor，模型代碼是從 global perspective 編寫的，每個 replica 代碼由 DTensor 運行時生成和運行。
TensorFlow 官方已經(jīng)開發(fā)了幾個關(guān)于 DTensor 的入門教程，參考資料如下：
DTensor 概念：https://www.tensorflow.org/guide/dtensor_overview帶有 DTensors 分布式 ML：https://www.tensorflow.org/tutorials/distribute/dtensor_ml_tutorial將 DTensors、Keras 聯(lián)合使用：https://www.tensorflow.org/tutorials/distribute/dtensor_keras_tutorialtf.function 的 TraceType
新版本已經(jīng)改進(jìn)了 tf.function 回溯（retraces）方式，使其更簡單、可預(yù)測和可配置。
所有關(guān)于 tf.function 的參數(shù)被分配一個 tf.types.experimental.TraceType。自定義用戶類可以使用跟蹤協(xié)議（tf.types.experimental.SupportsTracingProtocol）聲明一個 TraceType。TraceType 系統(tǒng)使理解追溯規(guī)則變得很容易。
支持 WSL2
WSL2 允許開發(fā)人員直接在 Windows 上運行 Linux 環(huán)境，而不需要傳統(tǒng)虛擬機或雙啟動設(shè)置。TensorFlow 現(xiàn)在支持 WSL2 開箱即用，包括 GPU 加速。
確定性行為
API tf.config.experimental.enable_op_determinism 使得 TensorFlow 的 op 是確定性的。確定性意味著如果用戶使用相同的輸入多次運行一個 op，則 op 每次都返回完全相同的輸出，這對于調(diào)試模型很有用。
通常來講，許多 op 是不確定的，因為在 op 中使用了線程，這些線程可以以不確定的順序添加浮點數(shù)。
TensorFlow 2.8 引入了一個 API 來使 op 具有確定性，TensorFlow 2.9 在某些情況下提高了確定性性能。如果你希望 TensorFlow 模型確定性地運行，只需將以下內(nèi)容添加到程序的開頭：
tf.keras.utils.set_random_seed(1)
tf.config.experimental.enable_op_determinism()
第一行設(shè)置 Python、NumPy 和 TensorFlow 的隨機種子，這是確定性所必需的。第二行使每個 TensorFlow op 具有確定性。請注意，確定性通常是以降低性能為代價的，因此當(dāng)啟用 op 確定性時，你的模型可能會運行得更慢。
使用 Keras 優(yōu)化訓(xùn)練
TensorFlow 2.9 中添加了 Keras Optimizer API 的新實驗版本，即 tf.keras.optimizers.experimental。該 API 提供更統(tǒng)一和擴展的內(nèi)置優(yōu)化器目錄，用戶可以更輕松地定制和擴展。
在未來的版本中，tf.keras.optimizers.experimental.Optimizer（及子類）將取代 tf.keras.optimizers.Optimizer（及子類），這意味著使用舊版本 Keras 優(yōu)化器的工作流將自動切換至新的優(yōu)化器。
如下為新優(yōu)化器類的一些亮點：
一些模型的訓(xùn)練速度越來越快；更易于編寫自定義優(yōu)化器；內(nèi)置對模型權(quán)重移動平均的支持（Polyak 平均）。
