TensorFlow 1.9.0-rc0 升級 tf.keras 至 Keras 2.1.6 API

2021-01-08 開源中國

TensorFlow 1.9.0-rc0 已發布。

該版本帶來了不少改進和新特性：

Update tf.keras to the Keras 2.1.6 API.

tfe.Network is deprecated. Please inherit from tf.keras.Model.

Adding support of core feature columns and losses to gradient boosted trees estimators.

The distributions.Bijector API supports broadcasting for Bijectors with new API changes. See here for more details.

Layered variable names have changed in the following conditions:

可以看到，1.9.0-rc0 已將 tf.keras 升級至 Keras 2.1.6 API，並且已棄用 tfe.Network，需要從 tf.keras.Model 進行繼承。

也有一些破壞性的變更：

源碼下載和詳細更新說明請查看 https://github.com/tensorflow/tensorflow/releases/tag/v1.9.0-rc0

相關焦點

  • TensorFlow 2.1指南:keras模式、渴望模式和圖形模式(附代碼)
    如你所知，在Tensorflow中，存在這樣的範例：首先定義計算圖，然後進行編譯（或將其移至GPU），然後運行它。這種範例非常好，從技術上來講很有意義，但是，一旦在GPU中擁有了模型，幾乎就不可能對其進行調試。這就是為什麼，自從TensorFlow 2.0以其Alpha版本發布以來已經過去了大約一年，我決定在TensorFlow 2.1與大家分享使用的體驗。
  • 機器學習庫 TensorFlow 1.9.0 發布,大量修復和改進
    機器學習庫 TensorFlow 1.9.0 已發布，更新內容如下：主要特點和改進1、tf.keras 文件升級: 新的基於 Keras
  • 基於RTX2060構建TensorFlow-gpu(keras)學習平臺
    建立虛擬環境：conda create --name tf36gpu python=3.6 anaconda2. 激活虛擬環境：activate tf36gpu3.開始菜單運行anaconda navigator檢查是否安裝了notebook（默認有安裝）三、安裝tensorflow/keras在激活的環境中安裝：1. 如果機器上有gpu，則安裝gpu版本，沒有GPU就安裝cpu版。
  • 這裡有一份TensorFlow2.0中文教程
    今年 3 月份，谷歌在 Tensorflow Developer Summit 2019 大會上發布 TensorFlow 2.0 Alpha 版。作為當前最為流行的深度學習框架，2.0 Alpha 版的正式發布引人關注。近兩個月，網上已經出現了大量 TensorFlow 2.0 英文教程。在此文章中，機器之心為大家推薦一個持續更新的中文教程，以便大家學習。
  • Tensorflow 2.0 即將入場
    而就在即將到來的2019年，Tensorflow 2.0將正式入場，給暗流湧動的框架之爭再燃一把火。如果說兩代Tensorflow有什麼根本不同，那應該就是Tensorflow 2.0更注重使用的低門檻，旨在讓每個人都能應用機器學習技術。
  • 步履不停:TensorFlow 2.4新功能一覽!
    使用 Keras 進行多工作器訓練        https://tensorflow.google.cn/tutorials/distribute/multi_worker_with_keras BackupAndRestore        https://tensorflow.google.cn/api_docs/python/tf/keras
  • Keras結合Keras後端搭建個性化神經網絡模型(不用原生Tensorflow)
    實際上，這些變換不整合在lambda層中而直接寫在外面也是可以的：from keras import backend as Kfrom keras import layersx = layers.Dense(500,activation='relu')(x) mask = K.random_binomial(K.shape(x),0.5)x = x*mask*2數據先經過一個全連接層
  • Keras和TensorFlow究竟哪個會更好?
    雖然這不是最先進的模型，但它能比隨機猜測 (1/10) 要好得多。 相比起小型的神經網絡，我們模型的結果實際上是非常好的！ 此外，正如我們在輸出圖6中所示，我們模型並不會發生過擬合現象。接下來，我們要做的是： 1.學習如何使用 TensorFlow 中的 tf.keras 模塊實現相同的網絡架構 2.在我們的 Keras 模型中包含一個 TensorFlow 激活函數，而該函數未在Keras中實現。 下面，讓我們開始吧。
  • 【TensorFlow2.0】Transformer聊天機器人教程
    }) attention1 = tf.keras.layers.LayerNormalization( epsilon=1e-6)(attention1 + inputs) attention2 = MultiHeadAttention( d_model, num_heads, name="attention_2")(inputs={ 'query'
  • TensorFlow 2.0 新鮮出爐!新版本,新架構,新特性
    當然，TensorFlow 2.0 Alpha版本從安裝上便十分的簡單，僅需一句話：pip install -U --pre tensorflow而Eager execution 與 「@tf.function」作為核心升級重點，接下將會對其如何協同工作進行做詳細介紹。
  • TensorFlow2.1正式版上線:最後一次支持Python2,進一步支持TPU
    去年 10 月，谷歌才發布了 TensorFlow 2.0 正式版。時隔三個月後，昨日官方發布了 TensorFlow 2.1，本次版本更新帶了了多項新特性、功能改進和 bug 修復。從本次更新的日誌來看，TensorFlow 2.1 將成為最後一個支持 Python2 的版本了。同時，本次更新的重點是增加了對 TPU 的多項支持，而 tf.keras 和 tf.data 這兩個常用的 API 也得到了很多新的更新。
  • 關於TensorFlow 2.0,這裡有你想知道的一切
    因此，由於模型定義而產生錯誤的概率降至最低。4. Keras-TunerKeras-tuner是一個對Keras模型進行超參數調整的專用庫。在撰寫本文時，該庫處於α之前的狀態，但是使用tf.keras和TensorFlow 2.0β可以在Colab上很好地運行。這個概念非常簡單。
  • TensorFlow官方力推、GitHub爆款項目:用Attention模型自動生成...
    tf.keras: https://www.tensorflow.org/guide/keras eager execution: https://www.tensorflow.org/guide/eager 這款筆記是一種
  • 圖像分類入門,輕鬆拿下90%準確率|教你用Keras搞Fashion-MNIST
    在TensorFlow中，可以使用tf.keras函數來編寫Keras程序，這樣就能充分利用動態圖機制eager execution和tf.data函數。下面可能還會遇到其他深度學習名詞，我們就不提前介紹啦。
  • 深度解讀TensorFlow,了解它的最新發展!
    Tensorboard是tensorflow內置的一個可視化工具，它通過將tensorflow程序輸出的日誌文件的信息可視化，使得tensorflow程序的理解、調試和優化更加簡單高效。Tensorboard的可視化依賴於tensorflow程序運行輸出的日誌文件，因而tensorboard和tensorflow程序在不同的進程中運行。
  • TensorFlow(Keras)中的正則化技術及其實現(附代碼)
    l1正則化L1正則化對神經網絡權重值的影響是，通過使權重值等於0來懲罰權重接近0的權重。因此，如果權重值為-2，則在L1正則化的作用下，權重值為0。import tensorflow as tffrom tensorflow import keras我們將使用的數據集是瑣碎的fashion-MNIST數據集。
  • TensorFlow 2入門指南,初學者必備!
    tensorflow.keras.layers import Densefrom tensorflow.keras.models import Sequential在這裡，我們從tensorflow中導入了2個主要的東西，分別是Dense和Sequential。 從te
  • 【乾貨】TensorFlow 2.0官方風格與設計模式指南(附示例代碼)
    在TensorFlow 2.0中，你可以用tf.function來裝飾一個Python函數來使用JIT編譯，這樣TensorFlow會將它當成一個單獨的圖來執行。比如你正在訓練一個共享主幹的multi-headed的模型：trunk = tf.keras.Sequential([...])head1 = tf.keras.Sequential([...])head2 = tf.keras.Sequential([...])
  • Keras 教程:BERT 文本摘要
    參考:BERTSQuAD設置:import osimport reimport jsonimport stringimport numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layersfrom tokenizers import BertWordPieceTokenizerfrom transformers import BertTokenizer,TFBertModel,BertConfigmax_len = 384
  • 用TensorFlow和Keras構建卷積神經網絡
    筆者已經編寫了一個如何使用TensorFlow的KerasAPI來訓練神經網絡的教程，著重介紹了自動編碼器：http://www.datastuff.tech/machine-learning/autoencoder-deep-learning-tensorflow-eager-api-keras/本文將嘗試三種不同的體系結構