TensorFlow 2.2.0 正式發布了，該版本終止了對 Python 2 的支持。現在，新的 TensorFlowDocker 鏡像版本僅提供 Python 3。

主要特性和改進

·將字符串張量的標量類型從std::string替換為tensorflow::tstring

·TF 2 的新 Profiler，用于 CPU/GPU/TPU。它提供設備和主機性能分析，包括輸入管道和 TF Ops。

·不推薦使用 SWIG，而是使用 pybind11 將 C++ 函數導出到 Python，這是棄用 Swig 所作努力的一部分。

·tf.distribute：

通過使用新添加的 tf.keras.layers.experimental.SyncBatchNormalization 層，添加了對全局同步 BatchNormalization 的支持。該層將在參與同步訓練的所有副本之間同步 BatchNormalization 統計信息。

使用 tf.distribute.experimental.MultiWorkerMirroredStrategy 提高 GPU 多工分布式培訓的性能

將 NVIDIA NCCL 更新到 2.5.7-1，以獲得更好的性能和性能調整。

支持在 float16 中減少梯度。

所有實驗的支持都減少了梯度壓縮，以允許使用反向路徑計算進行重疊梯度聚合。

棄用experimental_run_v2方法。

添加對 DistributedIterators 的 CompositeTensor 支持。這應該有助于防止不必要的功能跟蹤和內存泄漏。

·tf.keras：

Model.fit的主要改進：

可以通過覆蓋 Model.train_step 將自定義訓練邏輯與 Model.fit 結合使用。

輕松編寫最新的培訓循環，而不必擔心 Model.fit 為你處理的所有功能(分發策略，回調，數據格式，循環邏輯等)

SavedModel 現在使用其自己的Model._saved_model_inputs_specattr 而不是依賴于不再為子類 Model 設置的Model.inputs和Model.input_names。

生成器支持動態形狀。

現在，SavedModel 格式支持所有 Keras 內置層(包括指標，預處理層和有狀態 RNN 層)。

更新 Keras 批處理規范化層，以使用fused_batch_norm中的運行平均值和平均值計算。

·tf.lite：

默認情況下啟用 TFLite 實驗性新轉換器。

·XLA

XLA 現在可以在 Windows 上構建并運行。所有預構建的軟件包都隨附有 XLA。

可以在 CPU 和 GPU 上使用“編譯或拋出異常”語義為 tf.function 啟用 XLA。

新版本包含大量 bug 修復等，詳情可見更新說明：

https://github.com/tensorflow/tensorflow/releases/tag/v2.2.0