TensorFlow 2.2.0 正式发布了，该版本终止了对 Python 2 的支持。现在，新的 TensorFlowDocker 镜像版本仅提供 Python 3。
主要特性和改进
·将字符串张量的标量类型从std::string替换为tensorflow::tstring
·TF 2 的新 Profiler，用于 CPU/GPU/TPU。它提供设备和主机性能分析，包括输入管道和 TF Ops。
·不推荐使用 SWIG，而是使用 pybind11 将 C++ 函数导出到 Python，这是弃用 Swig 所作努力的一部分。
·tf.distribute：
通过使用新添加的 tf.keras.layers.experimental.SyncBatchNormalization 层，添加了对全局同步 BatchNormalization 的支持。该层将在参与同步训练的所有副本之间同步 BatchNormalization 统计信息。
使用 tf.distribute.experimental.MultiWorkerMirroredStrategy 提高 GPU 多工分布式培训的性能
将 NVIDIA NCCL 更新到 2.5.7-1，以获得更好的性能和性能调整。
支持在 float16 中减少梯度。
所有实验的支持都减少了梯度压缩，以允许使用反向路径计算进行重叠梯度聚合。
弃用experimental_run_v2方法。
添加对 DistributedIterators 的 CompositeTensor 支持。这应该有助于防止不必要的功能跟踪和内存泄漏。
·tf.keras：
Model.fit的主要改进：
可以通过覆盖 Model.train_step 将自定义训练逻辑与 Model.fit 结合使用。
轻松编写最新的培训循环，而不必担心 Model.fit 为你处理的所有功能(分发策略，回调，数据格式，循环逻辑等)
SavedModel 现在使用其自己的Model._saved_model_inputs_specattr 而不是依赖于不再为子类 Model 设置的Model.inputs和Model.input_names。
生成器支持动态形状。
现在，SavedModel 格式支持所有 Keras 内置层(包括指标，预处理层和有状态 RNN 层)。
更新 Keras 批处理规范化层，以使用fused_batch_norm中的运行平均值和平均值计算。
·tf.lite：
默认情况下启用 TFLite 实验性新转换器。
·XLA
XLA 现在可以在 Windows 上构建并运行。所有预构建的软件包都随附有 XLA。
可以在 CPU 和 GPU 上使用“编译或抛出异常”语义为 tf.function 启用 XLA。
新版本包含大量 bug 修复等，详情可见更新说明：
https://github.com/tensorflow/tensorflow/releases/tag/v2.2.0
