在Windows系統下新增對Python 3.6的支持。

新增函數tf.layers.conv3d_transpose，用于時空反卷積操作。

新增函數tf.Session.make_callable()，降低了多次運行類似操作的計算開銷。

新增基于ibverbs的RDMA支持（遠程直接數據存取）（由雅虎的junshi15貢獻）。

RNNCell現在為tf.layers.layer的子類對象。嚴格來說，在tensorflow 1.1版本已經發布這個子類：第一次使用了RNNCell單元，緩存了其作用域。在接下來用到該rnncell單元時，可以重復使用同一作用域中的變量。在TensorFlow1.0.1版本及其以下中，這個關于RNNCells的調整是個突破性變化。在TensorFlow1.1版本中，已經確保先前代碼能夠按照新的語義正確運行；這個版本允許更靈活地使用RNNCell，但是TensorFlow版本低于1.0.1時，可能會報錯。比如，寫入：MultiRNNCell([lstm] * 5)，將會構建一個五層LSTM網絡，每層共享相同的參數。想要得到一個各層具有不同參數的LSTM網絡，要寫入：MultiRNNCell([LSTMCell(…) for _ in range(5)])。如果仍然不確定，先在TF 1.1中測試你的代碼；確保沒有報錯后，再升級到TF 1.2。

TensorForest Estimator已經支持用于服務的SavedModel輸出。

支持客戶端提供的ClusterSpec’s，分配給所有工作者，確保能創建動態更新的TensorFlow集群。

TensorFlow C語言庫新增對Windows系統的支持。

發布了一個新版的開源TensorBoard。

在SavedModel中，SavedModel CLI工具可用來檢查和執行SavedModel。

TensorFlow的安卓版本已經被推送到jcenter上，用戶能更容易地部署到應用程序中。更多細節請訪問：

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

已經重命名RNNCells的變量名稱，與Keras層保持一致。具體來說，先前的變量名“weights”和“biases”分別更新為“kernel”與“bias”。如果你原來的checkpoints中含有這樣的RNN單元，這可能導致傳播過程中的不兼容性，則可以使用checkpoint_convert scrip工具更改原有checkpoints中的變量名。

在TensorFlow1.0版本之前，許多RNN函數和子類都定義在tf.nn命名空間里，現在已經被移回核心空間。這里包括了RNNCell，LSTMCell，GRUCell和一些其他單元，如今存放在tf.nn.rnn_cell函數中（先前的tf.contrib.rnn函數向后兼容）。先前的tf.nn.rnn函數更名為tf.nn.static_rnn，雙向靜態和狀態存儲靜態rnn函數也被放回tf.nn命名空間中。

還有一個需注意的例外是，EmbeddingWrapper，InputProjectionWrapper和OutputProjectionWrapper，這三者將會慢慢被移動到tf.contrib.rnn的棄用函數中。在rnn網絡的預處理和后期處理階段，應該替換掉一些低效率的包裝函數，使用embedding_lookup或layers.dense進行替換。在RNN解碼過程中，這一功能已經一個可用的API tf.contrib.seq2seq所取代。

英特爾MKL集成（https://software.intel.com/en-us/articles/tensorflow-optimizations-on-modern-intel-architecture）。英特爾開發了一系已經優化過的深度學習基元：除了矩陣乘法和卷積外，還包括以下模塊：(1).直接批量卷積；(2).池化操作：最大化，最小化，平均化；(3).標準化：LRN，批歸一化；(4).激活函數：線性整流單元（ReLU）；(5).數據處理：多維移項（轉換），分解，合并，相加和降維。