深度學習函數庫TensorFlow釋出最新版本2.4，該版本支持新的分散式訓練策略，Keras還更新了混合精度功能，加速模型訓練工作，此外，TensorFlow 2.4提供Python開發者，熟悉的數值運算函數庫NumPy支持，而用於監控和診斷的分析工具也有更新，以支持新加入的功能。
TensorFlow中分散式訓練模塊tf.distribute更新兩個重要策略，tf.distribute不同策略可讓開發者以不同的方法分散運算。更新的策略分別是多工作節點鏡像策略MultiWorkerMirroredStrategy API，進入穩定階段，而參數伺服器策略ParameterServerStrategy API和自定義訓練循環，則開始提供實驗性支持。官方提到，ParameterServerStrategy就像是MultiWorkerMirroredStrategy一樣，是一種多工作節點數據平行策略，只不過梯度更新是以非同步的方式。
一個參數伺服器訓練叢集，由多個工作節點與參數伺服器組成，參數伺服器會創建變量，供工作節點讀取和更新，而變量讀取和更新在所有工作節點中，皆獨立進行，沒有執行任何的同步工作，而由於工作節點互不相依，因此該策略有容錯的優點，並且在先佔式虛擬機器特別好用。
多工作節點鏡像策略，則脫離實驗階段成為穩定API，MultiWorkerMirroredStrategy以同步數據平行性實例化分散式訓練，也就是說，開發者可以在多臺具有多個GPU的機器上，執行訓練工作。在同步訓練中，每個工作節點運算前後不同的數據片段，並會在更新模型之前匯總梯度。
TensorFlow Profiler也開始支持多節點訓練策略，TensorFlow Profiler是一套讓開發者評估，TensorFlow模型訓練性能和資源消耗的工具，供開發者探索模型操作時，硬體資源消耗以及瓶頸，以達到加快訓練速度的目的。過去TensorFlow Profiler可用來監控單一主機多GPU的訓練工作，而現在也可用來分析MultiWorkerMirroredStrategy訓練工作。
在TensorFlow 2.4中，Keras混合精度已成為穩定API。大多數TensorFlow模型都使用float32數據類型，但是部分像是float16低精度類型，使用較少的內存，因此在同一個模型中，同時使用32和16位元浮點數，可以提升訓練速度，官方提到，使用混合精度API可以讓模型獲得3倍性能，在TPU上性能提升60％。
另外，這個版本TensorFlow還加入支持NumPy API子集，tf.experimental.numpy模塊可以執行，經TensorFlow加速的NumPy程序碼，由於新模塊是以TensorFlow為基礎建構，因此可以與TensorFlow無縫互通，不只能夠存取所有TensorFlow API，還透過編譯和自動向量化，來提供最佳化執行性能。這項支持可以提供像是TensorFlow ND陣列與NumPy函數互通，或是TensorFlow NumPy函數接受tf.Tensor和np.ndarray輸入等操作。