TensorFlow:谷歌机器学习系统 v2.19.0 正式官方版

TensorFlow机器学习系统是用于机器学习的端到端开源平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。

TensorFlow机器学习系统最初是由Google机器智能研究组织内Google Brain团队的研究人员和工程师开发的，用于进行机器学习和深度神经网络研究。该系统具有足够的通用性，也可以适用于多种其他领域。

TensorFlow机器学习系统提供稳定的Python和C++ API，以及其他语言的非保证向后兼容API 。

轻松地构建模型

TensorFlow提供多个抽象级别，因此您可以根据自己的需求选择合适的级别。您可以使用高阶Keras API构建和训练模型，该API让您能够轻松地开始使用TensorFlow和机器学习。

如果您需要更高的灵活性，则可以借助即刻执行环境进行快速迭代和直观的调试。对于大型机器学习训练任务，您可以使用Distribution Strategy API在不同的硬件配置上进行分布式训练，而无需更改模型定义。

随时随地进行可靠的机器学习生产

TensorFlow始终提供直接的生产途径。不管是在服务器、边缘设备还是网络上，TensorFlow都可以助您轻松地训练和部署模型，无论您使用何种语言或平台。

如果您需要完整的生产型机器学习流水线，请使用TensorFlow Extended (TFX)。要在移动设备和边缘设备上进行推断，请使用TensorFlow Lite。请使用TensorFlow.js在JavaScript环境中训练和部署模型。

强大的研究实验

构建和训练先进的模型，并且不会降低速度或性能。借助Keras Functional API和Model Subclassing API等功能，TensorFlow可以助您灵活地创建复杂拓扑并实现相关控制。为了轻松地设计原型并快速进行调试，请使用即刻执行环境。

TensorFlow还支持强大的附加库和模型生态系统以供您开展实验，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现在是常量引用，而不是constexpr编译时常量。（这是为了在Play服务中实现更好的TFLite API兼容性，同时保留将来更改这些常量值的实现灵活性。）

Python API:

tf.lite.Interpreter 发出弃用警告，重定向到其新位置 ai_edge_litert.interpreter，因为该 API tf.lite.Interpreter 将在 TF 2.20 中删除。详情请参阅 迁移指南。

已知的限制

主要功能和改进

tf.lite

tfl.Cast op 现在支持 bfloat16 在运行时内核中。

错误修复和其他更改

我们已经停止发布 libtensorflow 包，但可以从 PyPI 包解压。