邮件列举了以下几条：
· Eager Execution成为2.0的一个核心功能。这个命令式的编程环境，会让入门TensorFlow变得更容易。
· 支持更多平台、更多语言；通过交换格式的标准化以及API的协调，来提升组件之间的兼容性和对等性。
· 移除已弃用的API，并减少重复，也是减少用户的困惑。
往下，看看详情。
兼容性与连续性
邮件写到，TensorFlow 2.0是一个纠正错误、做出改进的好机会。有些改善，在语义化版本控制 (Semantic Versioning) 之下，通常是做不到的。
为了顺滑地过渡到新版本，团队会做一个转换工具，用于更新Python代码，这样便能使用TensorFlow 2.0兼容的API了。
如果遇到无法自动转换的情况，系统也会提醒人类。想当年，向1.0过渡的时候，类似的工具也帮了大忙。
并非所有改变，都能自动完成。比如，新版本将会弃用一些API，而其中有些API并没有直接对等的替换。
针对这样的情况，TensorFlow会提供一个兼容模块 (tensorflow.compat.v1) ，里面有完整的TensorFlow 1.x API，并且在2.x的生命周期里，会得到持续的维护。
不过，一旦2.0正式版发布，1.x就不会再有任何功能更新了。但在那之后，团队还是会给最后一版1.x，提供一年的安全补丁。
磁盘兼容性
SavedModel和GraphDef，都不会发生什么重大的变化。
但2.0意味着，原始检查点 (Checkpoint) 里的变量名称，需要转换，才能跟新的模型兼容。
tf.contrib被砍了
contrib模块的成长，超出了TensorFlow团队 (在一个repo里) 能维护的范围。
Wicke说，更大的项目，分开维护可能会更好。
不过，团队依然会在2.0里孵化一些小型的扩展。
所以，2.0的一个重大的变化，就是tf.contrib被完全弃用了。
在未来几个月，团队会与现有contrib模块的主人们，指定迁移计划，比如怎样在社区页面上或以文件的形式，发表自己的TensorFlow扩展。
每一个contrib模块，命运有三种：
1.集成到TensorFlow里。
2.移到一个单独的Repo里。
3.彻底移除。
