在Windows系統(tǒng)下新增對(duì)Python 3.6的支持。

新增函數(shù)tf.layers.conv3d_transpose，用于時(shí)空反卷積操作。

新增函數(shù)tf.Session.make_callable()，降低了多次運(yùn)行類似操作的計(jì)算開銷。

新增基于ibverbs的RDMA支持（遠(yuǎn)程直接數(shù)據(jù)存取）（由雅虎的junshi15貢獻(xiàn)）。

RNNCell現(xiàn)在為tf.layers.layer的子類對(duì)象。嚴(yán)格來說，在tensorflow 1.1版本已經(jīng)發(fā)布這個(gè)子類：第一次使用了RNNCell單元，緩存了其作用域。在接下來用到該rnncell單元時(shí)，可以重復(fù)使用同一作用域中的變量。在TensorFlow1.0.1版本及其以下中，這個(gè)關(guān)于RNNCells的調(diào)整是個(gè)突破性變化。在TensorFlow1.1版本中，已經(jīng)確保先前代碼能夠按照新的語義正確運(yùn)行；這個(gè)版本允許更靈活地使用RNNCell，但是TensorFlow版本低于1.0.1時(shí)，可能會(huì)報(bào)錯(cuò)。比如，寫入：MultiRNNCell([lstm] * 5)，將會(huì)構(gòu)建一個(gè)五層LSTM網(wǎng)絡(luò)，每層共享相同的參數(shù)。想要得到一個(gè)各層具有不同參數(shù)的LSTM網(wǎng)絡(luò)，要寫入：MultiRNNCell([LSTMCell(…) for _ in range(5)])。如果仍然不確定，先在TF 1.1中測(cè)試你的代碼；確保沒有報(bào)錯(cuò)后，再升級(jí)到TF 1.2。

TensorForest Estimator已經(jīng)支持用于服務(wù)的SavedModel輸出。

支持客戶端提供的ClusterSpec’s，分配給所有工作者，確保能創(chuàng)建動(dòng)態(tài)更新的TensorFlow集群。

TensorFlow C語言庫新增對(duì)Windows系統(tǒng)的支持。

發(fā)布了一個(gè)新版的開源TensorBoard。

在SavedModel中，SavedModel CLI工具可用來檢查和執(zhí)行SavedModel。

TensorFlow的安卓版本已經(jīng)被推送到j(luò)center上，用戶能更容易地部署到應(yīng)用程序中。更多細(xì)節(jié)請(qǐng)?jiān)L問：

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/readme.md

已經(jīng)重命名RNNCells的變量名稱，與Keras層保持一致。具體來說，先前的變量名“weights”和“biases”分別更新為“kernel”與“bias”。如果你原來的checkpoints中含有這樣的RNN單元，這可能導(dǎo)致傳播過程中的不兼容性，則可以使用checkpoint_convert scrip工具更改原有checkpoints中的變量名。

在TensorFlow1.0版本之前，許多RNN函數(shù)和子類都定義在tf.nn命名空間里，現(xiàn)在已經(jīng)被移回核心空間。這里包括了RNNCell，LSTMCell，GRUCell和一些其他單元，如今存放在tf.nn.rnn_cell函數(shù)中（先前的tf.contrib.rnn函數(shù)向后兼容）。先前的tf.nn.rnn函數(shù)更名為tf.nn.static_rnn，雙向靜態(tài)和狀態(tài)存儲(chǔ)靜態(tài)rnn函數(shù)也被放回tf.nn命名空間中。

還有一個(gè)需注意的例外是，EmbeddingWrapper，InputProjectionWrapper和OutputProjectionWrapper，這三者將會(huì)慢慢被移動(dòng)到tf.contrib.rnn的棄用函數(shù)中。在rnn網(wǎng)絡(luò)的預(yù)處理和后期處理階段，應(yīng)該替換掉一些低效率的包裝函數(shù)，使用embedding_lookup或layers.dense進(jìn)行替換。在RNN解碼過程中，這一功能已經(jīng)一個(gè)可用的API tf.contrib.seq2seq所取代。

英特爾MKL集成（https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture）。英特爾開發(fā)了一系已經(jīng)優(yōu)化過的深度學(xué)習(xí)基元：除了矩陣乘法和卷積外，還包括以下模塊：(1).直接批量卷積；(2).池化操作：最大化，最小化，平均化；(3).標(biāo)準(zhǔn)化：LRN，批歸一化；(4).激活函數(shù)：線性整流單元（ReLU）；(5).數(shù)據(jù)處理：多維移項(xiàng)（轉(zhuǎn)換），分解，合并，相加和降維。