传统上，TensorFlow通过tf.keras.layers.CuDNNGRU和tf.keras.layers.CuDNNLSTM支持基于CuDNN的RNN。但是，在需要在GPU上进行训练并在CPU上进行推理的情况下，使用这些API会很痛苦，因为它们需要GPU。 TensorFlow 2.0将使用统一的RNN api修复此问题，该api在可能的情况下使用CuDNN，否则将恢复为较慢的实现。在TensorFlow 1.13的发行说明中有一个诱人的说明：
将LSTM的默认循环激活功能从 在2.0中从“ hard_sigmoid”到“ sigmoid”。历史上反复激活 是“ hard_sigmoid”，因为它比“ sigmoid”快。与新统一 由于CuDNN内核正在使用CPU和GPU模式之间的后端 sigmoid，我们也将CPU模式的默认值也更改为Sigmoid。用 也就是说，默认的LSTM将与CPU和GPU兼容 核心。这将使具有GPU的用户默认使用CuDNN内核 并在训练中获得10倍的性能提升。请注意，这是 检查点重大更改。如果用户想使用他们的1.x预培训 检查点，请使用 LSTM（recurrent_activation ='hard_sigmoid'）退回到1.x 行为。
它在1.13发行说明中，所以我认为也许我可以在1.13中使用此API，即使该说明本身出于某些原因也谈到了2.0。有没有办法做到这一点？我真的可以使用CuDNN的速度提升功能，但是我不想在代码稳定之前将其移植到2.0。