尽管距离Tensoflow 1.2.1版本发布才仅仅一个月，但是1.3.0版本中的软件已经发生了很多变化。开发人员可以在Tensorflow的Github页面上找到一个详细的发布报告。本文将列出开发人员在升级到Tensorflow v1.3.0之后的一些重要更改。

从cuDNN5.1到cuDNN6

从1.2.1升级到1.3.0版本之后，开发人员也需要更新他们的pc上的cuDNN版本。

二进制发布包（binary distribution）是遵照NVIDIAs cuDNN进行编译的，其中1.2.1版本使用了cuDNN 5.1。不希望升级的开发人员仍然可以从源代码中构建自己的二进制文件。

新的cuDNN版本对softmax层有显著的性能改进。一个被添加到cuDNN6的有趣的特征是TensorFlow已经支持的Dilated Convolutions，意为空洞卷积或是扩张卷积。

需要注意的是，自从Tensorflow发布1.1.0版本以来，Mac上的GPU已经不再被支持。尽管开发人员仍然欢迎补丁，但是并不能保证它是否可以工作。

tf.contrib.data.数据集类

tf.contrib.data.数据集类有几个重要的变化。通过使用这个类，开发人员可以从内存中的张量（Tensors）、磁盘上的文件、许多数据格式中创建一个统一的输入管道。它还可以使用dataset.map()函数对每个单独的元素应用函数，或者使用dataset.batch()函数对所有元素进行应用。

这个类中期望嵌套结构（nested structures）的函数现在毫无保留地将列表转换为tf.Tensor。不想用这个函数的用户可以使用元组（tuples）。此外，在Dataset类中也有几个新函数:

• Dataset.list_files(file_pattern): 返回与file_pattern参数匹配的文件名的字符串的数据集。


• Dataset.interleave(map_func, cycle_length): 给程序员更多的控制，让他们知道如何将一个函数映射到每个元素。它仍然在整个数据集中应用map_func，但是会对结果进行交叉处理，可以同时处理多个输入文件。


• ConcatenateDataset: 一个扩展数据集类的类。init函数使用两个数据集，这些数据集将在被连接的新类中使用已存在Dataset.concatenate()函数。

如果你想要获得更多的信息，可以参考一下在Github上的程序员向导中使用数据集类的指南。

高级API函数和统计分布

尽管已经有许多高级API函数被Keras和TFLearn用户使用,Tensorflow在之前的基础上又添加以下功能库：深度神经网络（DNN）分类器，深度神经网络回归量，线性分类器，DNN线性组合分类器，DNN线性组合回归量。它们都是tf.contrib.学习包的一部分，并且Tensorflow的文档描述了如何使用它们。

一个新的增加功能是许多统计分布。一个类表示一个统计分布，并使用定义该分布的参数进行初始化。现在已经有很多单变量和多变量分布了。开发人员还可以扩展现有的类，但是必须支持分布基类中存在的所有函数。对于无效的属性，开发人员可以要求他们的程序引发异常，或者他们可以选择处理NaN值。

下面是一个简短的例子，说明开发人员如何从均匀分布中获得一个随机变量的张量：

现有函数的改动

新版本对现有的函数也有一些小的改动。tf.gather函数，被用于在一个张量中选择变量，现在增加了一个轴参数，将会允许更灵活的收集。



tf.pad函数用于在现有张量周围放置数值，现在支持“常量（constant）”参数。有了这个参数，数值0作为padding被添加为一个现有的张量。现在已经可用的模式是“反射（reflect）”和“对称（symmetric）”。



总体来说，TensorFlow的1.3.0版本的变更还是很值得一看（用）的。

此文为编译作品，作者Roland Meertens，原网址：https://www.infoq.com/news/2017/07/changes-tensorflow-1-3