Interessanti gli interventi effettuati a carico delle API Python<\/strong> che sono state modificate con lo scopo di presentare un maggior numero di punti in comune con NumPy, l’estensione libera e aperta di Python che integra nel linguaggio il supporto per vettori, matrici multidimensionali e funzioni matematiche di alto livello; chiaramente si tratta di cambiamenti che potrebbero creare alcuni bug di incompatibilit\u00e0, per cui prima di procedere ad eventuali migrazioni sar\u00e0 bene fare riferimento alla documentazione ufficiale e ai necessari script di conversione offerti dagli sviluppatori del progetto.<\/p>\n Notevole il tentativo di andare oltre Python, che rimane comunque un linguaggio di riferimento per le piattaforme di Machine Learning, grazie all’introduzione in fase sperimentale di API appositamente dedicate a Java<\/strong> e GO<\/strong>; ai test di queste ultime si affiancano quelli a carico del progetto XLA<\/strong> (Accelerated Linear Algebra<\/em>), un compilatore domain-specific<\/em> che dovrebbe ottimizzare i processi computazionali di TensorFlow.<\/p>\n Interessanti anche la dotazione di un TensorFlow Debugger (tfdbg<\/strong>), che si presenta come interfaccia da linea di ordine e API per il live debugging delle applicazioni, nonch\u00e9 le migliorie apportate all’installazione con l’aggiunta di immagini Docker per Python 3<\/strong> e la compatibilit\u00e0 di dei package pip con il repository PyPI. D’ora in poi per installare TensorFlow sar\u00e0 quindi sufficiente un’invocazione all’installer pip. <\/p>\n Diverse le novit\u00e0 per gli sviluppatori di applicazioni destinate al sistema operativo googleos<\/strong>, con TensorFlow 1.0 sono infatti disponibili nuove demo incentrate sulla localizzazione, la stilizzazione delle immagini riprese attraverso le videocamere e il riconoscimento degli oggetti presenti all’interno di un ambiente. <\/p>\n