TensorFlow 2.7.0 正式版发布，机器学习平台
TensorFlow 是一个用于机器学习的端到端开源平台。它有一个全面灵活的工具、库和社区资源所组成的生态，让开发人员轻松建立和部署由 ML 驱动的应用程序。TensorFlow 最初用于进行机器学习和深度神经网络研究。但该系统具有足够的通用性，也适用于其他广泛的领域。
2.7.0 主要更新内容：
改进 TensorFlow 调试体验
之前版本 TensorFlow 错误堆栈跟踪涉及很多内部帧，通读所有帧很麻烦，而且有一些帧用户是不可操作的。2.7 版本中，TensorFlow 会过滤内部帧，让堆栈跟踪保持简短、可读，只保留用户能操作的帧。
- 可以通过输入tf.debugging.disable_traceback_filtering() 禁用此行为，
- 可以通过tf.debugging.enable_traceback_filtering() 重新启用。
- 如果您正在调试 TensorFlow 内部问题，请确保禁用回溯过滤。
此外，新版本还改进了 Keras Layer.__call__() 引发的错误信息量。
注意：新功能只适用于 Python 3.7 和以上版本。
数据处理优化 （TensorFlow Data）
TF data service 新增了自动切分功能，如，可以使用 tf.data.experimental.service.ShardingPolicy 枚举指定分片策略。自动切分(静态切分) 需要在 TensorFlow.data.experimental.DispatcherConfig 中指定 worker 地址。
TensorFlow 数据集 (tf.data.experimental.service.register_dataset) 接受可选的压缩参数。
Keras（深度学习）
Keras 层 tf.keras.layers.Conv 包含一个公共的 convolution_op 方法，用于简化 Convo 子类的实现，使用新技术有两种方法。
或者覆盖 convolution_op：
另外，新版本将 merge_state() 方法加入 tf.keras.metrics ，用于分布式计算。
还在 tf.keras.layers.TextVectorization 中加入 sparse 和 ragged 选项，用于从 Keras 层输出 SparseTensor 和 RaggedTensor。
RPC API
2.7 版本引入了 distribute.experimental.rpc 包，这个包主要用来创建基于 GRPC 的服务器和客户端，用于注册 tf 函数和调用远程注册（GRPC 是谷歌的现代轻量级通信协议），RPC api 可用于多客户端设置，即服务器和客户端都在独立的应用启动。
BUG 修复
TF CORE
- 随机数生成 (RNG) 系统现在带有新功能，可以显式选择 RNG 算法、无状态版本的 dropout，且可以在参数服务器策略的范围内创建生成器。
- 现在可以添加实验会话
tf.experimental.disable_functional_ops_lowering，用于禁止功能控制流的操作优化。在可移植运行时中执行时这个函数很有用，因为选择性注册可能无法加载控制流的操作内核。 - 可以向静态哈希表添加新的实验参数，用于在匿名模式下创建表。这样一来，表资源只能通过资源句柄（而不是资源名称）访问，且指向它的所有资源句柄都消失时，表资源将自动删除。
除以上更新项，TensorFlow 2.7 版本还包含大量细节性的 bug 修复和功能优化，详情可查看更新公告。
