编译：刘小芹、张易、文强

　　【新智元导读】昨天凌晨谷歌正式发布了TensorFlow1.0版，改进了库中的机器学习功能，发布了XLA的实验版本，对Python和Java用户开放，提升了debugging，并且加入和改进了一些高级API，其中包括Keras。一系列新的改进，都会让目前这个最受欢迎的深度学习框架变得更快、更灵活、更实用。

　　谷歌TensorFlow 开发者大会演讲笔记。来源：Virginia Poltrack (@VPoltrack) | Twitter

　　在发布第一年，TensorFlow 已经帮助研究者、工程师、艺术家、学生以及其他许多人在许多领域取得了进展，从机器翻译到检测皮肤癌早期症状到预防糖尿病致盲。我们很高兴看到人们在超过6000个开源在线存储库项目中使用 TensorFlow。

　　今天，作为在山景城举办的首届年度TensorFlow开发者峰会的一部分，我们宣布正式发布 TensorFlow 1.0。它的新特性包括：

　　更快：

　　TensorFlow 1.0 运行速度之快令人难以置信！XLA 为未来更多的性能改进奠定了基础，而且 tensorflow.org 新提供“tips & tricks”帮助用户微调模型以实现最大速度。我们将很快发布一些常用模型的更新实现，以展示如何充分利用TensorFlow 1.0：包括基于 8 GPU 对 Inception v3 实现7.3倍加速，以及基于 64 GPU 对分布式 Inception v3 训练实现58倍加速！

　　更灵活

　　TensorFlow 1.0 还加入了一些高级API，包括 tf.layers，tf.metrics 和 tf.losses 模块。此外，它还包含一个全新的 tf.keras 模块，能够与 Keras 完全兼容，Keras 是另一个流行的高级神经网络库。

　　更实用

　　TensorFlow 1.0 还提供稳定的 Python API，这让获取新功能更容易，而且不必担心破坏现有的代码。

　　TensorFlow 1.0的其他亮点：

Python APIs已经更多地向Numpy转型。对于此类和其他向后兼容的以支持API稳定发展的更改，请使用我们的迁移指南和转换脚本。

Java和Go的实验API

高级API模块tf.layers，tf.metrics和tf.losses - 在纳入skflow和TF Slim之后从tf.contrib.learn中提取

发布了面向CPU和GPU的TensorFlow图形的特定领域编译器XLA的实验版本。 XLA正在迅速发展 - 预计在未来的发布中将看到更多的进展。

生成TensorFlow Debugger（tfdbg），一个用于调试实时TensorFlow程序的命令行界面和API。

用于对象检测和本地化的新Android demos以及基于摄像头的图片样式化。

安装改进：添加了Python 3 docker镜像，TensorFlow的pip包现在兼容PyPI。这意味着TensorFlow现在可以简单调用pip install tensorflow来安装。

　　我们很高兴地看到世界各地TensorFlow社区的发展速度。要了解有关TensorFlow 1.0及其使用方式的更多信息，可以在YouTube上观看TensorFlow Developer Summit talks，涵盖从高级API、TensorFlow（移动版）到新XLA编译器的最新更新，以及TensorFlow的令人激动的使用方法。

　　开发者大会的视频：https://www.youtube.com/watch?v=4n1AHvDvVvw

　　TensorFlow生态系统持续成长，包括Fold 动态批处理和Embedding Projector等工具以及我们现有工具（如TensorFlow Serving）的更新。 我们非常感谢社区贡献者、教育工作者和将深度学习的最新进展带给每个人的研究人员 。 我们期待在如GitHub issues, Stack Overflow, @TensorFlow, the [email protected] group等群组与未来各论坛上与您的合作。

　　Keras 成为 TensorFlow 默认API

　　实际上，在上个月，Keras 的作者、谷歌 AI 研究员 Francois Chollet 就宣布：Keras 将会成为第一个被添加到 TensorFlow 核心中的高级别框架，变成 Tensorflow 的默认 API。

　　Keras 是一个高级别的 Python 神经网络框架，能在 TensorFlow 或者 Theano 上运行。此外，能用到 TensorFlow 上的还有一些高级别的 Python 神经网络框架，比如，TF-Slim，虽然它们发展更不完善，也不是 TensorFlow 的核心部分。

　　神经网络研究者 Rachel Thomas 在 fast.ai 上撰文介绍了这一消息，并写下了他使用TensorFlow 的心得体会：

　　他说，使用 TensorFlow 给我的感觉就是我还不够聪明，但是，在使用 Keras 的时候我会觉得神经网络要比我想象的简单。这是因为，TensorFlow 的 API 过于冗长和混乱，也是因为 Keras 拥有我体验过的最贴心的、最具表达力的 API。对我来说，在刚开始使用TensorFlow 受挫后就来公开批评它有点尴尬，它让人觉得沉重、不自然。当然，其中有我自己的原因。但是，Keras 和 Theano 确实证实了我的想法：tensors 和 神经网络不一定都是那么折磨人的。