发布者：TensorFlow & Keras 团队
TensorFlow 2.12 和 Keras 2.12 已发布！此版本亮点包括新的 Keras 模型保存和导出格式、keras.utils.FeatureSpace 工具、SavedModel 指纹、TensorFlow 的 Python 3.11 轮子等等。
使用 tf.saved_model.save 保存的模型现在带有一个指纹文件，其中包含哈希值，用于唯一标识 SavedModel。从模型内容中派生出多个指纹，允许您比较模型的结构、图形、签名和权重。在 RFC 中阅读更多关于指纹的信息，并查看 read_fingerprint API 和 Fingerprint 类。
tf.function 现在使用 Python inspect 库来始终如一地模拟装饰函数的签名。所见即所得：装饰和未装饰的行为是相同的，即使对于像包装（functools.wraps）和部分应用（functools.partial）这样的复杂使用也是如此。
我们现在检测不兼容的 tf.function 输入类型（例如不匹配的 functools.wraps 调用）。此外，我们改进了类型约束逻辑（input_signature），以获得更好的错误消息和一致性（例如，没有参数的函数现在自动具有 input_signature=[]）。
此外，我们添加了 experimental.extension_type.as_dict() 来将 tf.experimental.ExtensionType 转换为 Python dict。
此版本中 Keras 最大的新功能是新的模型导出格式。我们已经彻底重新设计了 Keras 的保存和序列化，以清晰地分离两个关键用例
1. **Python 保存和重新加载。** 当您将 Keras 模型保存到 Python 运行时环境中以供稍后重新实例化时，它将与最初保存时完全相同。我们通过一种新的文件格式来实现这一点，称为 **“Keras v3”** 格式（.keras）。您可以通过调用model.save("your_model.keras", save_format="keras_v3")来开始使用它。
2. **模型导出** 用于在可能根本不支持 Python 的运行时环境中进行推理（例如，TF Serving 运行时）。您可以通过model.export("your_model")创建一个轻量级（单文件）导出，然后通过tf.saved_model.load("your_model")在 TF Serving 或 Python 中重新加载它。默认情况下，此格式仅保留一个服务端点，即模型的前向传递，在重新加载后可作为.serve()获得。keras.export.ExportArchive类提供了进一步的自定义选项。
在 2.13 版本中，keras_v3 将成为所有扩展名为 .keras 的文件的默认格式。该格式支持非数值状态，例如词汇文件和查找表，并且易于保存具有异域状态元素（例如 FIFOQueue）的自定义层。该格式不依赖于通过字节码或腌制加载任意代码，因此默认情况下是安全的。这对安全的机器学习来说是一个巨大的进步。请注意，由于这种以安全为中心的思维方式，Python lambdas 在加载时是不允许的。如果您想使用 lambda，并且您信任模型的来源，您可以在加载方法中传递 safe_mode=False。
旧格式（基于 TF SavedModel 的“h5”和“Keras SavedModel”格式）将永久保留支持。但是，我们建议您考虑采用新的 Keras v3 格式来实现更丰富的 Python 侧模型保存/重新加载，并使用 export() 来进行推理优化模型导出。
另一个令人兴奋的功能是引入了 keras.utils.FeatureSpace 工具。它使结构化数据的单步索引和预处理成为可能，包括特征哈希和特征交叉。请参阅 [特征空间教程](https://keras.org.cn/examples/structured_data/structured_data_classification_with_feature_space/) 了解更多信息。
与所有 Keras API 一样，FeatureSpace 的设计理念是逐步揭示复杂性，因此它完全可定制，您甚至可以指定依赖于您自己的预处理层的自定义特征类型。例如，如果您想创建一个对文本段落进行编码的特征，只需两行代码
from tensorflow.keras import layers, utils custom_layer = layers.TextVectorization(output_mode="tf_idf") feature_space = utils.FeatureSpace( features={ "text": FeatureSpace.feature( preprocessor=custom_layer, dtype="string", output_mode="float" ), }, output_mode="concat", ) |
tf.data 添加了对热启动输入处理的支持。如果 warm_start=True（在 tf.data.experimental.OptimizationOptions 上），tf.data 将在迭代器创建期间预先启动后台线程（而不是等待对 GetNext 的第一次调用）。这允许用户以更高的内存使用为代价，来提高对初始 GetNext 调用的延迟。tf.data 在 tf.data.Dataset.random() 中添加了一个新的 rerandomize_each_iteration 参数，以控制在每次 epoch 中是否应该重新随机化生成的随机数序列（默认行为）。如果设置了 seed 并且 rerandomize_each_iteration=True，random() 将在每次 epoch 中生成不同的（确定性）数字序列。当在相对较少的输入示例上进行训练时，这可能很有用，以确保模型不会学习该序列本身。
