摘要：主要的功能和改進(jìn)上支持。對(duì)象現(xiàn)在從屬于，在發(fā)布時(shí)的嚴(yán)格描述已經(jīng)被刪除一個(gè)首次被使用，它自己緩存其范圍。在發(fā)布前，許多的的功能和類別都在命名空間中，后被移到。雖然我們會(huì)盡量保持源代碼與兼容，但不能保證。為增加了雙線性插值。

主要的功能和改進(jìn)

1. Windows上支持Python3.6。

2. 時(shí)空域去卷積（spatio temporal deconvolution.）增加了tf.layers.conv3d_transpose層。

3. 增加了tf.Session.make_callable( )，為多次運(yùn)行一個(gè)相同步驟的運(yùn)行提供了更低的overhead手段。

4.增加了ibverbs-based RDMA支持。（感謝來(lái)自雅虎的@junshi15 ）。

5. RNNCell 對(duì)象現(xiàn)在從屬于 tf.layers.Layer，在TensorFlow 1.1 發(fā)布時(shí)的嚴(yán)格描述已經(jīng)被刪除：一個(gè)RNNCell首次被使用，它自己緩存其范圍（scope）。所有將來(lái)使用的RNNCell都會(huì)對(duì)來(lái)自相同的范圍的中的變量進(jìn)行重復(fù)使用。對(duì)于TensorFlow1.0.1及其以下版本中的RNNCell來(lái)說(shuō)，這是一個(gè)突破性的改變。TensorFlow 1.1 版本已經(jīng)經(jīng)過(guò)檢驗(yàn)，以保證舊的代碼在新的語(yǔ)義下也能正確的工作。新版本會(huì)讓RNNCell的使用變得更加靈活，但是，如果使用為TensorFlow 1.0.1 以下版本所寫(xiě)的代碼，可能會(huì)導(dǎo)致一些微小的錯(cuò)誤。例如，輸入MultiRNNCell([lstm] * 5) 將會(huì)搭建起一個(gè)5層的LSTM堆棧，每一層共享相同的參數(shù)。為了讓5層中每一層都有自己的參數(shù)，輸入MultiRNNCell([LSTMCell(...) for _ in range(5)]). ?如果不太確定，你可以先在TF 1.1中測(cè)試你的代碼，保證沒(méi)有任何錯(cuò)誤后，再升級(jí)到TF 1.2。

6. TensorForest Estimator現(xiàn)在支持SavedModel輸出。

7. 支持用戶提供的ClusterSpec’s，并把其分配給所有的工作者，以確保能創(chuàng)建動(dòng)態(tài)的TensorFlow集群。

8. TensorFlow C 數(shù)據(jù)庫(kù)現(xiàn)在在Windows可用。

9. 發(fā)布了一個(gè)新的開(kāi)源版本的TensorBoard。

10.在SavedModel中，SavedModel CLI工具可用于MetaGraph檢查和執(zhí)行。

11. 安卓發(fā)布的TensorFlow現(xiàn)在被推送到j(luò)center，方便用戶更加簡(jiǎn)便的融入app中。更多細(xì)節(jié)，參見(jiàn)：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/README.md

12. RNNCells 的變量名，現(xiàn)在已經(jīng)被重命名，以與Keras層保持一致。具體地，此前的變量名稱“weights”和“biases“現(xiàn)在已經(jīng)變?yōu)椤眐ernel”和“bias”。如果你的舊的checkpoints中包含了這樣的 RNN cells，這可能會(huì)導(dǎo)致反饋的不一致，此時(shí)你可以使用工具checkpoint_convert script來(lái)改變舊的checkpoints中的變量名字。

13.在1.0發(fā)布前，許多的 RNN 的功能和類別都在 tf.nn 命名空間中，后被移到tf.contrib.rnn 。現(xiàn)在，這些功能和類別都被移回核心命名空間。其中包括 RNNCell, LSTMCell, GRUCell, 和其他的一系列 cells。 原始的 tf.nn.rnn 功能現(xiàn)在變成了 tf.nn.static_rnn, 雙向的數(shù)據(jù)和狀態(tài)存儲(chǔ)數(shù)據(jù)rnn功能現(xiàn)在有備移回tf.nn 命名區(qū)。

?

比較值得一提的例外有： EmbeddingWrapper, InputProjectionWrapper 和

OutputProjectionWrapper，三者將會(huì)被逐漸搬到tf.contrib.rnn 的deprecation中。有一些無(wú)效的wrapper，需要經(jīng)常進(jìn)行替換，在rnn的預(yù)處理和后處理階段，用所謂的embedding_lookup 或 layers.dense進(jìn)行替換。在RNN的解碼中，這一功能性將會(huì)被一個(gè)在tf.contrib.seq2seq.

中可用的API取代。

14. ? Intel MKL 集成 (https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture). Intel 開(kāi)發(fā)了一系列經(jīng)過(guò)優(yōu)化的深度學(xué)習(xí)基元（primitives）：除了矩陣乘法（matrix multiplication）和卷積以外，這些基本模塊還包括：直接的批量卷積、池化（較大化、最小化和平均數(shù)）、激活（線性整流函數(shù)）ReLU、數(shù)據(jù)處理（多維移項(xiàng)、分解、合并、相加等）。

棄用

TensorFlow 1.2 可能是我們最后一次使用 cuDNN 5.1 構(gòu)建。從 TensorFlow 1.3 開(kāi)始，我們將嘗試使用 cuDNN 6.0 構(gòu)建所有與構(gòu)建的二進(jìn)制文件。雖然我們會(huì)盡量保持源代碼與 cuDNN 5.1 兼容，但不能保證。

API 的重要變化

org.tensorflow.contrib.android.TensorFlowInferenceInterface 現(xiàn)在在可能的情況下會(huì)引起異常，并簡(jiǎn)化了方法簽名。

?

contrib API的變化

增加了 tf.contrib.util.create_example。

為 tf.contrib.image 增加了雙線性插值。

為自定義seed control 的隨機(jī)操作增加 tf.contrib.stateless。

MultivariateNormalFullCovariance 添加到 contrib/distributions/

tensorflow/contrib/rnn 經(jīng)歷RNN cell變量重命名以與Keras層一致。具體來(lái)說(shuō)，先前的變量名稱“weights”和“biases”分別改為“kernel”和“bias”。對(duì)于包含 RNN cells等的舊檢查點(diǎn)，這可能會(huì)導(dǎo)致向后不兼容，在這種情況下，你可以使用checkpoint_convert 腳本來(lái)轉(zhuǎn)換舊檢查點(diǎn)的變量名稱。

在TensorFlow中添加了tf.contrib.kernel_methods 模塊，包含對(duì)原始（顯式）核方法的Ops和estimators。

?

Bug 修復(fù)及其他改變

在Python，類型屬性上的 Operation.get_attr 恢復(fù)了類型的 Python DType版本，以匹配預(yù)期的 get_attr文檔，而不是protobuf枚舉。

構(gòu)建iOS庫(kù)時(shí)，MIN_SDK版本更改為8.0。

修復(fù)了LIBXSMM集成。

使 decode_jpeg / decode_png / decode_gif 能夠處理所有格式，因?yàn)橛脩艚?jīng)常嘗試將圖像解碼為錯(cuò)誤的類型。

改善了隱式 broadcasting lowering。

通過(guò)更快地重試過(guò)時(shí)的傳輸來(lái)提高GCS / Bigquery客戶端的穩(wěn)定性。

刪除OpKernelConstruction :: op_def（）作為最小化原型依賴關(guān)系的一部分。

添加了VectorLaplaceDiag分布。

Android demo不再需要libtensorflow_demo.so來(lái)運(yùn)行（libtensorflow_inference.so仍然需要）。

添加了 categorical_column_with_vocabulary_file。

在Session :: Run（）調(diào)用中引入batching/unbatching張量的操作。

添加了 tf.log_sigmoid(x) = tf.log(tf.sigmoid(x)) = -tf.nn.softplus(-x).

將hooks lists更改為不可變?cè)M，現(xiàn)在允許對(duì)相關(guān)參數(shù)進(jìn)行任何迭代。?

引入了 TFDecorator。?

為語(yǔ)音特征生成添加了Mfcc操作。

改進(jìn)了DirectSession :: Run（）和錯(cuò)誤檢查。提供一個(gè)錯(cuò)誤類型的值將同步引發(fā)INVALID_ARGUMENT錯(cuò)誤，而不是異步地引發(fā)INTERNAL錯(cuò)誤。在提供錯(cuò)誤類型的張量時(shí)，取決于（未定義）行為的代碼可能需要更新。

添加了unreduced NONE，并減少M(fèi)EAN選項(xiàng)的損失。從其他 Reduction 常數(shù)刪除“WEIGHTED_”前綴。

assertAllClose現(xiàn)在能處理dicts。

為HloInstructions添加了Gmock匹配器。

將變量名稱添加到變量恢復(fù)的錯(cuò)誤。

為音頻特征生成添加了AudioSpectrogram 操作。

為損失添加了 reduction 參數(shù)。

tf.placeholder可以表示標(biāo)量形狀并且部分是已知的。

刪除了estimateator_spec（mode）參數(shù)。

如果超過(guò)40次運(yùn)行，TensorBoard將默認(rèn)禁用所有運(yùn)行。

刪除了舊的doc生成器代碼。

GCS文件系統(tǒng)集成現(xiàn)在支持域存儲(chǔ)桶，例如gs：//bucket.domain.com/path。

為輸出文本添加了tf.summary.text到TensorBoard。

tfdbg的命令行接口的“run”命令現(xiàn)在支持按節(jié)點(diǎn)名稱，操作類型和張量類型過(guò)濾張量。

tf.string_to_number現(xiàn)在支持int64和float64輸出。

貢獻(xiàn)者名單

4F2E4A2E, Aaron Schumacher, Abhi Agg, admcrae, Adriano Carmezim, Adrià Arrufat,agramesh1, Akimitsu Seo, Alan Mosca, Alex Egg, Alex Rothberg, Alexander Heinecke,Alexander Matyasko, Alexandr Baranezky, Alexandre Caulier, Ali Siddiqui, Anand Venkat,Andrew Hundt, Androbin, Anmol Sharma, Arie, Arno Leist, Arron Cao, AuréLien Geron, Bairen Yi, Beomsu Kim, Carl Thomé, cfperez, Changming Sun, Corey Wharton, critiqjo, Dalei Li, Daniel，Rasmussen, Daniel Trebbien, DaríO Here?ú, David Eng, David Norman, David Y. Zhang, Davy Song, ddurham2, Deepak Subburam, Dmytro Kyrychuk, Dominic Rossi, Dominik Schl?Sser, Dustin Tran,Eduardo Pinho, Egil Martinsson, Elliot Saba, Eric Bigelow, Erik Smistad, Evan Klitzke,Fabrizio Milo, Falcon Dai, Fei Gao, FloopCZ, Fung Lam, Gautam, GBLin5566, Greg Peatfield,Gu Wang, Guenther Schmuelling, Hans Pabst, Harun Gunaydin, Huaizheng, Ido Shamay, Ikaro Silva, Ilya Edrenkin, Immexxx, James Mishra, Jamie Cooke, Jay Young, Jayaram Bobba,Jianfei Wang, jinghua2, Joey Meyer, John Maidens, Jonghoon Jin, Julian Villella,Jun Kim, Jun Shi, Junwei Pan, jyegerlehner, Karan Desai, Karel Van De Plassche,Kb Sriram, KhabarlakKonstantin, Koan-Sin Tan, krivard, Kwotsin, Leandro Gracia Gil,Li Chen, Liangliang He, Louie Helm, lspvic, Luiz Henrique Soares, LáSzló Csomor, Mark Wong, Mathew Wicks, Matthew Rahtz, Maxwell Paul Brickner, Michael Hofmann, Miguel，F(xiàn)lores Ruiz De Eguino, MikeTam1021, Mortada Mehyar, Mycosynth, Namnamseo,Nate Harada, Neven Miculinic, Nghia Tran, Nick Lyu, Niranjan Hasabnis, Nishidha, Oleksii，Kuchaiev, Oyesh Mann Singh, Panmari, Patrick, Paul Van Eck, Piyush Chaudhary, Quim Llimona,Raingo, Richard Davies, Ruben Vereecken, Sahit Chintalapudi, Sam Abrahams, Santiago Castro,Scott Sievert, Sean O"Keefe, Sebastian Schlecht, Shane, Shubhankar Deshpande, Spencer Schaber,Sunyeop Lee, t13m, td2014, Thomas H. P. Andersen, Toby Petty, Umang Mehta,Vadim Markovtsev, Valentin Iovene, Vincent Zhao, Vit Stepanovs, Vivek Rane, Vu Pham, wannabesrevenge,weipingpku, wuhaixutab, wydwww, Xiang Gao, Xiaolin Lin, xiaoyaozhuzi, Yaroslav Bulatov, Yi Liu,Yoshihiro Sugi, Yuan (Terry) Tang, Yuming Wang, Yuxin Wu, Zader Zheng, Zhaojun Zhang, zhengjiajin, ZhipengShen, Ziming Dong, zjj2wry

下載

源代碼：https://github.com/tensorflow/tensorflow/archive/v1.2.0.zip

開(kāi)源地址：https://github.com/tensorflow/tensorflow/releases

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754