TensorFlow 1.2正式发布，新增Python 3.6支持

TensorFlow 1.2.0今日正式发布。

主要功能和改进点：

1. 在Windows系统下新增对Python 3.6的支持。

2. 新增函数tf.layers.conv3d_transpose，用于时空反卷积操作。

3. 新增函数tf.Session.make_callable()，降低了多次运行类似操作的计算开销。

4. 新增基于ibverbs的RDMA支持（远程直接数据存取）（由雅虎的junshi15贡献）。

5. RNNCell现在为tf.layers.layer的子类对象。严格来说，在tensorflow 1.1版本已经发布这个子类：第一次使用了RNNCell单元，缓存了其作用域。在接下来用到该rnncell单元时，可以重复使用同一作用域中的变量。在TensorFlow1.0.1版本及其以下中，这个关于RNNCells的调整是个突破性变化。在TensorFlow1.1版本中，已经确保先前代码能够按照新的语义正确运行；这个版本允许更灵活地使用RNNCell，但是TensorFlow版本低于1.0.1时，可能会报错。比如，写入：MultiRNNCell([lstm] * 5)，将会构建一个五层LSTM网络，每层共享相同的参数。想要得到一个各层具有不同参数的LSTM网络，要写入：MultiRNNCell([LSTMCell(…) for _ in range(5)])。如果仍然不确定，先在TF 1.1中测试你的代码；确保没有报错后，再升级到TF 1.2。

6. TensorForest Estimator已经支持用于服务的SavedModel输出。

7. 支持客户端提供的ClusterSpec’s，分配给所有工作者，确保能创建动态更新的TensorFlow集群。

8. TensorFlow C语言库新增对Windows系统的支持。

9. 发布了一个新版的开源TensorBoard。

10. 在SavedModel中，SavedModel CLI工具可用来检查和执行SavedModel。

11. TensorFlow的安卓版本已经被推送到jcenter上，用户能更容易地部署到应用程序中。更多细节请访问：

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

12. 已经重命名RNNCells的变量名称，与Keras层保持一致。具体来说，先前的变量名“weights”和“biases”分别更新为“kernel”与“bias”。如果你原来的checkpoints中含有这样的RNN单元，这可能导致传播过程中的不兼容性，则可以使用checkpoint_convert scrip工具更改原有checkpoints中的变量名。

13. 在TensorFlow1.0版本之前，许多RNN函数和子类都定义在tf.nn命名空间里，现在已经被移回核心空间。这里包括了RNNCell，LSTMCell，GRUCell和一些其他单元，如今存放在tf.nn.rnn_cell函数中（先前的tf.contrib.rnn函数向后兼容）。先前的tf.nn.rnn函数更名为tf.nn.static_rnn，双向静态和状态存储静态rnn函数也被放回tf.nn命名空间中。

    还有一个需注意的例外是，EmbeddingWrapper，InputProjectionWrapper和OutputProjectionWrapper，这三者将会慢慢被移动到tf.contrib.rnn的弃用函数中。在rnn网络的预处理和后期处理阶段，应该替换掉一些低效率的包装函数，使用embedding_lookup或layers.dense进行替换。在RNN解码过程中，这一功能已经一个可用的API tf.contrib.seq2seq所取代。

14. 英特尔MKL集成（https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture）。英特尔开发了一系已经优化过的深度学习基元：除了矩阵乘法和卷积外，还包括以下模块：(1).直接批量卷积；(2).池化操作：最大化，最小化，平均化；(3).标准化：LRN，批归一化；(4).激活函数：线性整流单元（ReLU）；(5).数据处理：多维移项（转换），分解，合并，相加和降维。

另外需要特别注意的是，TensorFlow 1.2可能是租后一次使用CuDNN 5.1构建。后续版本TensorFlow 1.3应该会基于CuDNN 6.0，但会尽量兼容CuDNN 5.1。

更多详情，可以访问如下地址查看：

https://github.com/tensorflow/tensorflow/releases/tag/v1.2.0