昨晚谷歌在山景城举办了第一届 TensorFlow 开发者峰会。作为大会的一部分，TensorFlow 1.0 的正式版本被发布出来。一起来看看它都有哪些新特性：
更快
它运算更快——TensorFlow 1.0 有十分惊人的速度。它快到什么程度呢？据谷歌表示，在使用八个 GPU 的情况下，TensorFlow 1.0 在 Inception v3 的测试中有 7.3 倍的速度提升。在 64 个分布式 GPU 集群上运行，Inception v3 的跑分增加了 58 倍。
不仅如此，XLA（Accelerated Linear Algebra，即加速线性代数） 还为未来进一步的性能提升打下了基础。TensorFlow 的官方网站 tensorflow.org，也上线了官方使用指南和秘诀，以帮助开发者对模型进行调参，达到最大的训练速度。另外，雷锋网(公众号：雷锋网)获知，谷歌将发布针对几大主流模型的实践指导（更新版本），为如何最大化利用 TensorFlow 1.0 提供指导，相信不久之后就可以看到。
更灵活
它更加灵活—— TensorFlow 1.0 加入了新的高级别 API，还有 tf.layers, tf.metrics, and tf.losses 模块。非常关键的是，谷歌宣布 TensorFlow 1.0 内置了新的 tf.keras 模块——后者使得 TensorFlow 为 Keras 提供“完全”兼容支持。这在之前就传出过风声。作为一个在 ML 开发者当中广为流传的神经网络库，Keras 的加入无疑让 Tensorflow 的使用变得更加便利。
更稳定
更适合商业化使用——TensorFlow 加强了 Python API 的稳定性。这使得为它加入新特征变得更加容易，而不需要推翻已有的代码。
TensorFlow 1.0 的其他关键升级：
Python API 被修改得更像 NumPy。与此同时，在一定程度上牺牲了向后兼容性，以最大化 API 的稳定性。具体有哪些改变、哪些兼容性牺牲请见谷歌指南。
针对 Java 和 Go 的试验性 API。TensorFlow 距离完全支持 Java 更近一步。
高级别 API 模块： tf.layers、tf.metrics、和 tf.losses——在整合 skflow 和 TF Slim 之后，从 tf.contrib.learn 移植过来。
对 XLA 试验性的发布。 XLA 是一个应用领域高度聚焦的 TensorFlow 图编译器，可运行于 CPU 和 GPU。雷锋网获知，谷歌的 XLA 研究进度极快。我们可以期待未来的 TensorFlow 版本配备更完善、更强大的 XLA。
加入了 TensorFlow Debuggerr (tfdbg)。这是一个命令行界面兼 API，用于修复实时 TensorFlow 程序的漏洞
针对物体检测和定位的新安卓 demo（展示），还有基于摄像头的图像风格化。
安装改进：加入了 Python 3 的 docker 图标。TensorFlow 的 pip 包变得兼容 PyPI。这意味着 可以用 pip 简便地安装 TensorFlow。
谷歌大神 Jeff Dean 在发言中表示，看到全世界 TensorFlow 社区以如此惊人得速度发展十分激动。
TensorFlow 生态在不断增长，这伴随着新技术的加入——比如用于动态批处理的 TensorFlow Fold，类似 Embedding Projector 的工具，以及对已有工具的更新，比如 TensorFlow Serving。
Youtube 发布会全程视频：https://www.youtube.com/watch?v=LqLyrl-agOw
