TensorFlow 2.18 wechselt zu NumPy 2 und Hermetic CUDA

Das ist neu: TensorFlow 2.18 bindet die aktuelle Version 2.0 von NumPy ein und verzichtet mit Hermetic CUDA künftig beim Build auf lokale CUDA-Bibliotheken.

1

(Bild: iX)

29.10.2024, 11:03 Uhr

Lesezeit: 2 Min.

Developer

Von

Wolf Hosbach

Die soeben veröffentlichte Version 2.18 von TensorFlow unterstützt nun NumPy 2.0 und ist standardmäßig damit kompiliert. Außerdem nutzt sie beim Build Hermetic CUDA und arbeitet auf neueren GPUs mit einer Rechenleistung (Compute Capability) von 8.9 im Nvidia-Raster.

Bei der Umstellung auf NumPy 2 funktionieren laut dem TensorFlow-Team die meisten APIs problemlos, in wenigen Fällen kommt es jedoch zu Fehlermeldungen, beispielsweise out-of-boundary conversion oder numpy scalar representation. Bei der Python-Conversion hat das Team bewusst das NumPy-1-Verhalten beibehalten. Ferner sollten Entwicklerinnen und Entwickler die neuen Regeln der Type Promotion von NumPy 2 beachten, die auch Auswirkungen auf TensorFlow-Ergebnisse haben und zu Fehlern oder unpräziseren Ergebnissen von Skalaren führen können. Den Support für NumPy 1.26 will das Team nur bis 2025 fortsetzen.

CUDA nicht mehr lokal

Entwicklerinnen und Entwickler, die TensorFlow aus den Quellen bauen, erhalten künftig Hermetic CUDA. TensorFlow lädt dann CUDNN und NCCL aus dem Netz, sodass CUDA nicht mehr lokal installiert wird. Als Grund nennt das TensorFlow-Team besser reproduzierbare Builds für Googles eigene ML-Projekte. Gestrichen hat das Team TensorRT in CUDA-Builds wegen „code health improvement“.

TensorFlow-Binaries bieten nun Kernels für GPUs mit einer Rechenkapazität (Compute Capability) von 8.9 für Ada-GPUs, die sich auf neuerer Hardware wie NVIDIA RTX 40**, L4 oder L40 finden. Hingegen werden GPUs vor der Pascal-Generation (6.0) nicht mehr unterstützt. Das Team empfiehlt Nutzern älterer GPUs bei Version 2.16 zu bleiben oder TensorFlow selbst für ihre Plattform zu bauen.

Wenn das Team den Umbau von TensorFlow Lite zu RTLite bis Ende des Jahres abgeschlossen hat, können sich Contributors beteiligen, wofür es ein eigenes Repository gibt. Für TensorFlow Lite werden dann keine Binary-Releases mehr veröffentlicht.

Im Blog und den Release Notes finden sich weiter Infos zu Funktionsänderungen und Bux-Fixes.