TensorFlow 发布一年以来已经帮助研究者、工程师、艺术家、学生等等许多人在语言翻译、皮肤癌早期检测和预防糖尿病致失明等许多方面取得了许多进展。如今，在网上已经有超过 6000 个使用 TensorFlow 的开源软件库和项目了。
今天，在山景城召开了第一届年度 TensorFlow 开发者大会（TensorFlow Developer Summit），本次盛会也已经在 YouTube 上开启了直播。在本次大会上，谷歌也正式宣布发布 TensorFlow 1.0 正式版。
TensorFlow 1.0：https://github.com/tensorflow/tensorflow/releases/tag/v1.0.0
尽管在 TensorFlow 1.0.0-alpha 发布的时候我们就预期到了本次大会上正式版的到来，但 TensorFlow 1.0 仍有一些值得我们关注的亮点（以下内容来自谷歌开发者博客）：
速度更快：TensorFlow 1.0 快得让人难以置信！XLA 更为未来进一步的性能提升奠定了基础，而且 tensorflow.org 上现在也已经包含了帮助指导你调整你的模型以使其达到最大速度的技巧和诀窍。我们将会很快发布几种流行的模型的新实现，以表明我们可以如何充分利用 TensorFlow 1.0——包括在 8 个 GPU 上给 Inception v3 带来的 7.3 倍的速度提升和在 64 个 GPU 上为分布式 Inception v3 训练所带来的 58 倍速度提升！
灵活性更高：TensorFlow 1.0 引入了一个高层面的 API，带有 tf.layers、tf.metrics 和 tf.losses 模块。我们还宣布包含进了一个新的 tf.keras 模块，提供了与另一个流行的高级神经网络库 Keras 的完全兼容。
比以往任何时候都更适合生产：TensorFlow 1.0 保证了 Python API 的稳定性，使得你可以在无需担忧破坏你现有代码的情况下更容易地获取新功能。
TensorFlow 1.0 的其它亮点：
Python API 已改为更类似于 NumPy 的样子。为了应用这种和其它的为了支持 API 稳定性所做的后端兼容修改，请参考我们好用的移植指南（https://tensorflow.org/install/migration）和转换脚本（https://github.com/tensorflow/tensorflow/tree/r1.0/tensorflow/tools/compatibility）
支持 Java 和 Go 的实验性 API
在集成了 skflow 和 TF Slim 后从 tf.contrib.learn 带来的高级 API 模块：tf.layers、tf.metrics 和 tf.losses
XLA 的实验性发布，这是一个用于 TensorFlow 图的特定领域的编译器，其面向 CPU 和 GPU。XLA 正在快速进化——在未来的版本中有望见证更多改进
引入 TensorFlow Debugger (tfdbg)，这是一个用于调试实时 TensorFlow 程序的接口和 API。
新的关于目标检测和定位、基于相机的图像风格化的 Android 演示
安装提升：加入 Python 3 docker images，TensorFlow pip 包现在已兼容 PyPI。这意味着现在可以通过简单的调用 pip install tensorflow 来实现安装。
在此届的 TensorFlow 开发者大会上，除了宣布发布 TensorFlow 1.0 正式版之外，还有许多其他亮点。其中一些演讲的视频已经公开，一些演讲正在进行中。
主题演讲（Keynote）
在开发者大会上，谷歌的 Jeff Dean、Rajat Monga 和 Megan Kacholia 做了主题演讲，他们讨论了 TensorFlow 的起源、开源之后的发展、TensorFlow 对社区繁荣作出的贡献、TensorFlow 的表现与延展性、TensorFlow 在全球的应用等。当然，也包括一些激动人心的消息的公布，比如 TensorFlow 1.0 的发布。
除了 Keynote 之外，还有许多精彩的演讲视频已经公开。这些演讲涉及到 TensorFlow 的方方面面：高层次的 API、应用（癌症图像分类）、分布式 TensorFlow 等。
其中讲解应用 TensorFlow 进行癌症图像分类的是斯坦福 Thrun 实验室的研究生 Brett Kuprel。该实验室的研究者成功训练了一个可以诊断皮肤癌的算法，相关论文《Dermatologist-level classification of skin cancer with deep neural networks》已经发表在 Nature 上，并成为了封面文章。
以下为其他演讲的简介与视频观看链接：
XLA: TensorFlow, Compiled!
演讲者：Chris Leary 和 Todd Wang
简介：对于有效的机器学习而言，速度就是一切，XLA 就是为减少训练和推理时间而生的。在这个演讲中，Chris Leary 和 Todd Wang 描述了 TensorFlow 使用 XLA、JIT、AOT 和其它编译技术可以如何最小化执行时间和最大化地利用计算资源。
上手 TensorBoard（Hands-on TensorBoard）
演讲者：Dandelion Mane
简介：Dandelion Mane 的这个演讲展示了所有你可以使用 TensorBoard 做到的惊人的事情。你将学会如何可视化你的 TensorFlow Graph、监控你的训练表现以及探索你的模型表征你的数据的方式。
TensorFlow 高级 API（TensorFlow High-Level API）
演讲者：Martin Wicke
简介：TensorFlow 能让你使用高级与低级抽象定义模型。在此演讲中，Martin Wicke 将会介绍定义模型的层、评估器和 Canned Estimators，也会演示核心 TensorFlow 中的延展线路。
整合 Keras 和 TensorFlow：扩展 Keras 工作流（Integrating Keras & TensorFlow: The Keras Workflow, Expanded）
演讲者：Francois Chollet
简介：Keras 的目标是让每个人都能用上深度学习，它也是增长最快的机器学习框架之一。Keras 的主要作者 Join Francois Chollet 通过一个视频问答案例演示了可以如何在 TensorFlow 之中使用 Keras。
TensorFlow at DeepMind
演讲者：Daniel Visentin
简介：在这个演讲中，来自 DeepMind 的 Daniel Visentin 谈论了 DeepMind 和 TensorFlow。他将解释选择一个平台的重要性，该团队的选择是迁移到 TensorFlow，并还给出了一些 DeepMind 使用 TensorFlow 的例子。
皮肤癌图像分类（Skin Cancer Image Classification）
演讲者：Brett Kuprel
简介：Join Brett Kuprel 介绍了斯坦福大学的人工智能实验室和医学院是如何使用 TensorFlow 来分类皮肤癌图像的。他描述了该项目的步骤：从获取数据集、训练深度网络到评估结果。最后，Brett 还将谈论皮肤癌图像分类的未来。
移动和嵌入式 TensorFlow（Mobile and Embedded TensorFlow）
演讲者：Pete Warden
简介：你知道 TensorFlow 模型可以在 iOS、安卓、甚至是树莓派上部署吗？在这个演讲中，Peter Warden 会讲解在这些上面部署 TensorFlow 模型所需要的所有东西，途中也会提供一些金点子。
分布式 TensorFlow（Distributed TensorFlow）
演讲者：Derek Murray
简介：TensorFlow 有很大的灵活性——可以扩展到数百个 GPU、训练带有大量参数的模型和自定义训练过程的每个细节。在这个演讲中，Derek Murray 将给你一个自底向上的关于分布式 TensorFlow 的介绍，并展示了所有可以用来利用这种力量的工具。
TensorFlow 生态系统：整合 TensorFlow 和你的基础设施（TensorFlow Ecosystem: Integrating TensorFlow with Your Infrastructure）
演讲者：Jonathan Hseu
简介：生成输入数据、运行分布式 TensorFlow 训练和服务器模型都涉及到其他基础设施组件。Jonathan Hseu 将描述每个步骤之间的融合。
在生产中使用 TensorFlow Serving 的 Serving 模型（Serving Models in Production with TensorFlow Serving）
演讲者：Noah Fiedel
简介：serving 是指在你的应用中使用一个训练好的模型的过程。在这个演讲中，Noah Fiedel 介绍了 TensorFlow Serving——一个为生产环境设计的灵活且高性能的机器学习 serving 系统。
机器学习工具包（ML Toolkit）
演讲者：Ashish Agarwal
简介：TensorFlow 是一个非常强大的框架，然而也一直以来都缺乏可以即时使用的解决方案。在这演讲中，Ashish Agarwal 将介绍一个向这个方面迈出了前进的一步的算法工具包。
以上就是目前已经公开的演讲视频内容，更多内容可在这个会议网页查看：https://events.withgoogle.com/tensorflow-dev-summit/videos-and-agenda/#content
