TensorFlow機器學習系統(tǒng)是用于機器學習的端到端開源平臺。它擁有一個全面而靈活的生態(tài)系統(tǒng)，其中包含各種工具、庫和社區(qū)資源，可助力研究人員推動先進機器學習技術的發(fā)展，并使開發(fā)者能夠輕松地構建和部署由機器學習提供支持的應用。

TensorFlow機器學習系統(tǒng)最初是由Google機器智能研究組織內Google Brain團隊的研究人員和工程師開發(fā)的，用于進行機器學習和深度神經(jīng)網(wǎng)絡研究。該系統(tǒng)具有足夠的通用性，也可以適用于多種其他領域。

TensorFlow機器學習系統(tǒng)提供穩(wěn)定的Python和C++ API，以及其他語言的非保證向后兼容API 。

輕松地構建模型

TensorFlow提供多個抽象級別，因此您可以根據(jù)自己的需求選擇合適的級別。您可以使用高階Keras API構建和訓練模型，該API讓您能夠輕松地開始使用TensorFlow和機器學習。

如果您需要更高的靈活性，則可以借助即刻執(zhí)行環(huán)境進行快速迭代和直觀的調試。對于大型機器學習訓練任務，您可以使用Distribution Strategy API在不同的硬件配置上進行分布式訓練，而無需更改模型定義。

隨時隨地進行可靠的機器學習生產(chǎn)

TensorFlow始終提供直接的生產(chǎn)途徑。不管是在服務器、邊緣設備還是網(wǎng)絡上，TensorFlow都可以助您輕松地訓練和部署模型，無論您使用何種語言或平臺。

如果您需要完整的生產(chǎn)型機器學習流水線，請使用TensorFlow Extended (TFX)。要在移動設備和邊緣設備上進行推斷，請使用TensorFlow Lite。請使用TensorFlow.js在JavaScript環(huán)境中訓練和部署模型。

強大的研究實驗

構建和訓練先進的模型，并且不會降低速度或性能。借助Keras Functional API和Model Subclassing API等功能，TensorFlow可以助您靈活地創(chuàng)建復雜拓撲并實現(xiàn)相關控制。為了輕松地設計原型并快速進行調試，請使用即刻執(zhí)行環(huán)境。

TensorFlow還支持強大的附加庫和模型生態(tài)系統(tǒng)以供您開展實驗，包括Ragged Tensors、TensorFlow Probability、Tensor2Tensor和BERT。

重大更改

LiteRT，又名tf.lite:C++ API:

公共常量tflite::Interpreter:kTensorsReservedCapacity和tflite::Interpreter:kTensorsCapacityHeadroom現(xiàn)在是常量引用，而不是constexpr編譯時常量。（這是為了在Play服務中實現(xiàn)更好的TFLite API兼容性，同時保留將來更改這些常量值的實現(xiàn)靈活性。）

Python API:

tf.lite.Interpreter 發(fā)出棄用警告，重定向到其新位置 ai_edge_litert.interpreter，因為該 API tf.lite.Interpreter 將在 TF 2.20 中刪除。詳情請參閱 遷移指南。

已知的限制

主要功能和改進

tf.lite

tfl.Cast op 現(xiàn)在支持 bfloat16 在運行時內核中。

錯誤修復和其他更改

我們已經(jīng)停止發(fā)布 libtensorflow 包，但可以從 PyPI 包解壓。