1. Windows上支持Python3.6。

2. 时空域去卷积（spatio temporal deconvolution.）增加了tf.layers.conv3d_transpose层。

3. 增加了tf.Session.make_callable( )，为多次运行一个相同步骤的运行提供了更低的overhead手段。

4.增加了ibverbs-based RDMA支持。

5. RNNCell 对象现在从属于 tf.layers.Layer，在TensorFlow 1.1 发布时的严格描述已经被删除：一个RNNCell首次被使用，它自己缓存其范围（scope）。所有将来使用的RNNCell都会对来自相同的范围的中的变量进行重复使用。对于TensorFlow1.0.1及其以下版本中的RNNCell来说，这是一个突破性的改变。TensorFlow 1.1 版本已经经过检验，以保证旧的代码在新的语义下也能正确的工作。新版本会让RNNCell的使用变得更加灵活，但是，如果使用为TensorFlow 1.0.1 以下版本所写的代码，可能会导致一些微小的错误。例如，输入MultiRNNCell([lstm] * 5) 将会搭建起一个5层的LSTM堆栈，每一层共享相同的参数。为了让5层中每一层都有自己的参数，输入MultiRNNCell([LSTMCell(...) for _ in range(5)]). 如果不太确定，你可以先在TF 1.1中测试你的代码，保证没有任何错误后，再升级到TF 1.2。

6. TensorForest Estimator现在支持SavedModel输出。

7. 支持用户提供的ClusterSpec’s，并把其分配给所有的工作者，以确保能创建动态的TensorFlow集群。

8. TensorFlow C 数据库现在在Windows可用。

9. 发布了一个新的开源版本的TensorBoard。

10.在SavedModel中，SavedModel CLI工具可用于MetaGraph检查和执行。

11. 安卓发布的TensorFlow现在被推送到jcenter，方便用户更加简便的融入app中。更多细节，参见：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/android/README.md

12. RNNCells 的变量名，现在已经被重命名，以与Keras层保持一致。具体地，此前的变量名称“weights”和“biases“现在已经变为”kernel”和“bias”。如果你的旧的checkpoints中包含了这样的 RNN cells，这可能会导致反馈的不一致，此时你可以使用工具checkpoint_convert script来改变旧的checkpoints中的变量名字。

13.在1.0发布前，许多的 RNN 的功能和类别都在 tf.nn 命名空间中，后被移到tf.contrib.rnn 。现在，这些功能和类别都被移回核心命名空间。其中包括 RNNCell, LSTMCell, GRUCell, 和其他的一系列 cells。 原始的 tf.nn.rnn 功能现在变成了 tf.nn.static_rnn, 双向的数据和状态存储数据rnn功能现在有备移回tf.nn 命名区。

比较值得一提的例外有： EmbeddingWrapper, InputProjectionWrapper 和

OutputProjectionWrapper，三者将会被逐渐搬到tf.contrib.rnn 的deprecation中。有一些无效的wrapper，需要经常进行替换，在rnn的预处理和后处理阶段，用所谓的embedding_lookup 或 layers.dense进行替换。在RNN的解码中，这一功能性将会被一个在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 开发了一系列经过优化的深度学习基元（primitives）：除了矩阵乘法（matrix multiplication）和卷积以外，这些基本模块还包括：直接的批量卷积、池化（最大化、最小化和平均数）、激活（线性整流函数）ReLU、数据处理（多维移项、分解、合并、相加等）。

弃用

TensorFlow 1.2 可能是我们最后一次使用 cuDNN 5.1 构建。从 TensorFlow 1.3 开始，我们将尝试使用 cuDNN 6.0 构建所有与构建的二进制文件。虽然我们会尽量保持源代码与 cuDNN 5.1 兼容，但不能保证。

API 的重要变化

org.tensorflow.contrib.android.TensorFlowInferenceInterface 现在在可能的情况下会引起异常，并简化了方法签名。

contrib API的变化

增加了 tf.contrib.util.create_example。

为 tf.contrib.image 增加了双线性插值。

为自定义seed control 的随机操作增加 tf.contrib.stateless。

MultivariateNormalFullCovariance 添加到 contrib/distributions/

tensorflow/contrib/rnn 经历RNN cell变量重命名以与Keras层一致。具体来说，先前的变量名称“weights”和“biases”分别改为“kernel”和“bias”。对于包含 RNN cells等的旧检查点，这可能会导致向后不兼容，在这种情况下，你可以使用checkpoint_convert 脚本来转换旧检查点的变量名称。

在TensorFlow中添加了tf.contrib.kernel_methods 模块，包含对原始（显式）核方法的Ops和estimators。

• 在Python，类型属性上的 Operation.get_attr 恢复了类型的 Python DType版本，以匹配预期的 get_attr文档，而不是protobuf枚举。

• 构建iOS库时，MIN_SDK版本更改为8.0。

• 修复了LIBXSMM集成。

• 使 decode_jpeg / decode_png / decode_gif 能够处理所有格式，因为用户经常尝试将图像解码为错误的类型。

• 改善了隐式 broadcasting lowering。

• 通过更快地重试过时的传输来提高GCS / Bigquery客户端的稳定性。

• 删除OpKernelConstruction :: op_def（）作为最小化原型依赖关系的一部分。

• 添加了VectorLaplaceDiag分布。

• Android demo不再需要libtensorflow_demo.so来运行（libtensorflow_inference.so仍然需要）。

• 添加了 categorical_column_with_vocabulary_file。

• 在Session :: Run（）调用中引入batching/unbatching张量的操作。

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

• 将hooks lists更改为不可变元组，现在允许对相关参数进行任何迭代。

• 引入了 TFDecorator。

• 为语音特征生成添加了Mfcc操作。

• 改进了DirectSession :: Run（）和错误检查。提供一个错误类型的值将同步引发INVALID_ARGUMENT错误，而不是异步地引发INTERNAL错误。在提供错误类型的张量时，取决于（未定义）行为的代码可能需要更新。

• 添加了unreduced NONE，并减少MEAN选项的损失。从其他 Reduction 常数删除“WEIGHTED_”前缀。

• assertAllClose现在能处理dicts。

• 为HloInstructions添加了Gmock匹配器。

• 将变量名称添加到变量恢复的错误。

• 为音频特征生成添加了AudioSpectrogram 操作。

• 为损失添加了 reduction 参数。

• tf.placeholder可以表示标量形状并且部分是已知的。

• 删除了estimateator_spec（mode）参数。

• 如果超过40次运行，TensorBoard将默认禁用所有运行。

• 删除了旧的doc生成器代码。

• GCS文件系统集成现在支持域存储桶，例如gs：//bucket.domain.com/path。

• 为输出文本添加了tf.summary.text到TensorBoard。

• tfdbg的命令行接口的“run”命令现在支持按节点名称，操作类型和张量类型过滤张量。

• tf.string_to_number现在支持int64和float64输出。