TensorFlow 2.15 已发布！此版本（以及 2.14）的亮点包括：为 Linux 上的 NVIDIA CUDA 库提供更简化的安装方法，Windows x64 和 x86 的 oneDNN CPU 性能优化，tf.function 类型的全面可用性，升级至 Clang 17.0.1，以及更多！有关完整的发行说明，请查看 这里。

TensorFlow 核心

NVIDIA CUDA 库（Linux）

tensorflow pip 包现在为 Linux 提供了一种新的可选安装方法，该方法通过 pip 安装必要的 NVIDIA CUDA 库。只要系统上已经安装了 NVIDIA 驱动程序，您现在就可以运行 pip install tensorflow[and-cuda]，在 Python 环境中安装 TensorFlow 的 NVIDIA CUDA 库依赖项。除了 NVIDIA 驱动程序之外，无需其他现有的 NVIDIA CUDA 包。在 TensorFlow 2.15 中，CUDA 已升级至 12.2 版本。

oneDNN CPU 性能优化

对于 Windows x64 和 x86 包，oneDNN 优化现在在 X86 CPU 上默认启用。可以通过在运行 TensorFlow 之前将环境变量 TF_ENABLE_ONEDNN_OPTS 设置为 1（启用）或 0（禁用）来启用或禁用这些优化。要恢复为默认设置，只需取消设置环境变量即可。

tf.function

tf.function 类型现在已完全可用。

tf.types.experimental.TraceType 现在允许自定义 tf.function 输入声明张量分解和类型转换支持。

介绍 tf.types.experimental.FunctionType 作为 tf.function 可调用对象签名的综合表示。可以通过 tf.function 和 ConcreteFunctions 的 function_type 属性访问它。有关更多详细信息，请参见 tf.types.experimental.FunctionType 文档。

介绍 tf.types.experimental.AtomicFunction 作为在 Python 中执行 TF 计算的最快方法。可以通过 ConcreteFunctions 的 inference_fn 属性访问此功能。（不支持梯度。）有关如何调用和使用它，请参见 tf.types.experimental.AtomicFunction 文档。

升级至 Clang 17.0.1 和 CUDA 12.2

TensorFlow PIP 包现在使用 Clang 17 和 CUDA 12.2 构建，以提高基于 NVIDIA Hopper 的 GPU 的性能。展望未来，Clang 17 将成为 TensorFlow 的默认 C++ 编译器。建议您在从源代码构建 TensorFlow 时将编译器升级至 Clang 17。