機器學習平台重大發布 ，它提供了各種深度機器學習演算法的現成實作、用於在 Python 中建立模型的簡單程式介面以及允許您控制計算圖的構造和執行的 C++ 語言的低階介面。 系統程式碼是用C++和Python編寫的 根據 Apache 許可證。
該平台最初由Google Brain團隊開發，在Google服務中用於語音識別、識別照片中的人臉、確定圖像的相似度、過濾Gmail中的垃圾郵件、 Google 新聞中的新聞並考慮其含義來組織翻譯。 由於 TensorFlow 對跨多個 CPU 或 GPU 分佈運算的內建支持，可以在標準硬體上建立分散式機器學習系統。
TensorFlow 提供了一個透過資料流程圖實現的現成數值計算演算法庫。 此類圖中的節點實現數學運算或輸入/輸出點，而圖的邊緣表示在節點之間流動的多維資料數組（張量）。
節點可以分配給計算設備並非同步執行，同時處理適合它們的所有理論，這使得可以透過類比大腦中神經元的同時激活來組織神經網路中節點的同時操作。
準備新版本的主要重點是簡化和易用性。 :
- 提出了一個新的高級 API 用於建立和訓練模型 ，它提供了幾個用於建立模型的介面選項（順序、功能、子類化），並且能夠 （無需預編譯）並具有簡單的調試機制；
- 新增了API 為了組織 對現有程式碼進行最小更改的模型。 除了可以將計算分散到 ，實驗支援可將學習過程劃分為多個獨立的處理器以及使用雲端的能力 （張量處理單元）；
- 可以用 Python 編寫普通函數，而不是透過 tf.Session 建立並執行圖形的聲明性模型，透過呼叫 tf.function，可以將其轉換為圖形，然後遠端執行、序列化或最佳化為了提高效能；
- 新增翻譯器 ，它將 Python 命令流轉換為 TensorFlow 表達式，允許在 tf.function-decorated、tf.data、tf.distribute 和 tf.keras 函數內部使用 Python 程式碼；
- SavedModel 統一了模型交換格式，並增加了對保存和復原模型狀態的支援。 為 TensorFlow 編譯的模型現在可以用於 （在行動裝置上）， （在瀏覽器或 Node.js 中）， и ;
- tf.train.Optimizers 和 tf.keras.Optimizers API 已統一；提出了一個新類別來計算梯度，而不是compute_gradients ;
- 使用 GPU 時效能顯著提高。
在配備 NVIDIA Volta 和 Turing GPU 的系統上模型訓練的速度提高了三倍； - 主要 API 清理、許多呼叫重新命名或刪除、輔助方法中對全域變數的支援停止。 提出了新的absl-py API，而不是tf.app、tf.flags、tf.logging。 為了繼續使用舊的API，已經準備了compat.v1模組。
來源： opennet.ru