TensorFlow 1.15.0 发布了，主要特性及改进如下：
- 针对当前具有 GPU 支持的平台（Linux 和 Windows），tensorflow pip 软件包默认情况下将包括 GPU
支持（现在与 tensorflow-gpu 相同）。它可以在装有和不装有 Nvidia GPU 的机器上工作。tensorflow-gpu
仍然可用，对于关心软件包大小的用户，可以在 tensorflow-cpu 下载仅 CPU 软件包。
- TensorFlow 1.15 在其 compat.v2 模块中包含 2.0 API 的完整实现。它包含 compat.v1 模块中
1.15 主模块的副本。TensorFlow 1.15 能够使用enable_v2_behavior() 函数模拟 2.0
行为。这样就可以编写向前兼容的代码：通过显式导入 tensorflow.compat.v1 或
tensorflow.compat.v2，可以确保代码在不修改 1.15 或 2.0 的情况下可以正常工作。
- EagerTensor 现在支持张量的 numpy 缓冲区接口。
- AutoGraph 将 Python 控制流转换为 TensorFlow 表达式，允许用户在装饰有 tf.function
的函数中编写常规 Python。 AutoGraph 还应用于与 tf.data，tf.distribute 和 tf.keras APIS
一起使用的函数中。
- 添加 enable_tensor_equality()，以切换行为，从而：
- 张量不再可散列。
- 张量可以与
== 和 !=进行比较，产生布尔张量并具有逐元素比较结果。这将是 2.0 中的默认行为。
- 自动混合精度图形优化器简化了将模型转换为 float16 以便在 Volta 和 Turing 张量核心上加速的过程。可以通过使用
tf.train.experimental.enable_mixed_precision_graph_rewrite()
包装优化器类来启用此功能。
- 添加环境变量 TF_CUDNN_DETERMINISTIC。设置为 “true” 或 “1” 会强制选择确定性 cuDNN 卷积和最大池算法。启用此功能后，算法选择过程本身也是确定性的。
- TensorRT
- 将 TensorRT 转换源从 contrib 迁移到编译器目录，以准备 TF 2.0。
- 为 TensorRT 转换添加其他易于使用的 TrtGraphConverter API。
- 在TensorRT转换中扩展对TensorFlow运算符的支持(e.g.
Gather, Slice, Pack, Unpack, ArgMin, ArgMax,DepthSpaceShuffle). - 在 TensorRT 转换中支持 TensorFlow 运算符 CombinedNonMaxSuppression 大大加快了物体检测模型的速度。
更新说明 | 
