昨日，TensorFlow 官方宣布：TensorFlow 2.9 来了！距离上次 2.8 版本 的更新仅仅过去三个月。
新版本亮点包括如下：
oneDNN 的性能改进；DTensor 的发布，这是一种新 API，可用于从数据并行无缝迁移到模型并行；对核心库进行了改进，包括 Eigen、tf.function 统一以及对 Windows 的 WSL2 的新支持；还为 tf.function retracing 和 Keras 优化器发布了新的实验性 API。
下面让我们来看看 TensorFlow 2.9 具体的改进都有哪些。
TensorFlow 2.9 新特性提高 CPU 性能：oneDNN
TensorFlow 已经与英特尔合作，将 oneDNN 性能库与 TensorFlow 集成，以实现在英特尔 CPU 上的最高性能。从 TensorFlow 2.5 以来，TensorFlow 已经对 oneDNN 进行了实验性支持，它可以提供高达 4 倍的性能提升。在 TensorFlow 2.9 中，默认在 Linux x86 包和具有神经网络硬件功能（如 AVX512_VNNI、AVX512_BF16、AMX 等）的 CPU 上启用 oneDNN 优化，这些功能可在 Intel Cascade Lake 和更新的 CPU 上找到。
英特尔表示：我们很高兴与 GoogleAI 合作，将 oneDNN 库作为 TensorFlow 2.9 中的默认后端 CPU 优化！TensorFlow 用户现在将看到由我们的开放软件优化驱动的 AI 性能加速，无需更改代码！
在启用 oneDNN 优化的情况下运行 TensorFlow 的用户，可能会观察到与关闭优化时略有不同的数值结果，这是因为浮点舍入方法和顺序不同，可能会产生轻微的误差。
如果上述情况给你带来麻烦，请在运行 TensorFlow 程序之前通过设置 TF_ENABLE_ONEDNN_OPTS=0 来关闭优化。假如你要重新启用它们，请在运行 TensorFlow 程序之前设置 TF_ENABLE_ONEDNN_OPTS=1。要验证优化是否启用，请在程序日志中查找以 oneDNN custom operations are on 开头的消息。
DTensor
DTensor 是一种新的 TensorFlow API，可用于分布式模型处理，它允许模型无缝地从数据并行迁移到基于单程序多数据（SPMD）的模型并行。
DTensor 的核心设计原则如下：
设备无关 API：这允许在 CPU、GPU 或 TPU 上使用相同的模型代码，包括跨设备类型划分的模型；多客户端执行：移除 coordinator 并让每个任务驱动其本地连接的设备，从而允许在不影响启动时间的情况下扩展模型；global perspective VS per-replica：传统上使用 TensorFlow，分布式模型代码是围绕 replicas 编写的，但使用 DTensor，模型代码是从 global perspective 编写的，每个 replica 代码由 DTensor 运行时生成和运行。
TensorFlow 官方已经开发了几个关于 DTensor 的入门教程，参考资料如下：
DTensor 概念：https://www.tensorflow.org/guide/dtensor_overview带有 DTensors 分布式 ML：https://www.tensorflow.org/tutorials/distribute/dtensor_ml_tutorial将 DTensors、Keras 联合使用：https://www.tensorflow.org/tutorials/distribute/dtensor_keras_tutorialtf.function 的 TraceType
新版本已经改进了 tf.function 回溯（retraces）方式，使其更简单、可预测和可配置。
所有关于 tf.function 的参数被分配一个 tf.types.experimental.TraceType。自定义用户类可以使用跟踪协议（tf.types.experimental.SupportsTracingProtocol）声明一个 TraceType。TraceType 系统使理解追溯规则变得很容易。
支持 WSL2
WSL2 允许开发人员直接在 Windows 上运行 Linux 环境，而不需要传统虚拟机或双启动设置。TensorFlow 现在支持 WSL2 开箱即用，包括 GPU 加速。
确定性行为
API tf.config.experimental.enable_op_determinism 使得 TensorFlow 的 op 是确定性的。确定性意味着如果用户使用相同的输入多次运行一个 op，则 op 每次都返回完全相同的输出，这对于调试模型很有用。
通常来讲，许多 op 是不确定的，因为在 op 中使用了线程，这些线程可以以不确定的顺序添加浮点数。
TensorFlow 2.8 引入了一个 API 来使 op 具有确定性，TensorFlow 2.9 在某些情况下提高了确定性性能。如果你希望 TensorFlow 模型确定性地运行，只需将以下内容添加到程序的开头：
tf.keras.utils.set_random_seed(1)tf.config.experimental.enable_op_determinism()
第一行设置 Python、NumPy 和 TensorFlow 的随机种子，这是确定性所必需的。第二行使每个 TensorFlow op 具有确定性。请注意，确定性通常是以降低性能为代价的，因此当启用 op 确定性时，你的模型可能会运行得更慢。
使用 Keras 优化训练
TensorFlow 2.9 中添加了 Keras Optimizer API 的新实验版本，即 tf.keras.optimizers.experimental。该 API 提供更统一和扩展的内置优化器目录，用户可以更轻松地定制和扩展。
在未来的版本中，tf.keras.optimizers.experimental.Optimizer（及子类）将取代 tf.keras.optimizers.Optimizer（及子类），这意味着使用旧版本 Keras 优化器的工作流将自动切换至新的优化器。
如下为新优化器类的一些亮点：
一些模型的训练速度越来越快；更易于编写自定义优化器；内置对模型权重移动平均的支持（Polyak 平均）。
