《深度学习之图像识别：核心技术与案例实战》 ——2.1.2 TensorFlow简介

2.1.2  TensorFlow简介

　　TensorFlow是Google brain推出的开源机器学习库，与Caffe一样，主要用于深度学习的相关任务。与Caffe相比，TensorFlow的安装简单很多，一个pip命令就可以解决，新手也不会误入各种“坑”。

　　TensorFlow中的Tensor就是张量，代表N维数组，与Caffe中的blob是类似的。Flow即流，代表基于数据流图的计算。神经网络的运算过程就是数据从一层流动到下一层，TensorFlow更直接地强调了这个过程。

　　TensorFlow最大的特点是计算图，即先定义好图，然后进行运算，所以所有的TensorFlow代码都包含两部分。第一部分是创建计算图，表示计算的数据流，实际上就是定义好了一些操作，可以将它看作是Caffe中Prototxt的定义过程；第二部分是运行会话，执行图中的运算，可以看作是Caffe中的训练过程，只是TensorFlow的会话比Caffe灵活很多，由于是Python接口，因此取中间结果分析、debug等方便很多。

　　TensorFlow也有内置的TF.Learn和TF.Slim等上层组件，可以帮助开发者快速地设计新网络，并且兼容Scikit-learn estimator接口，可以方便地实现evaluate、grid search、cross validation等功能。同时TensorFlow不只局限于神经网络，其数据流式图支持非常自由的算法表达，可以轻松实现深度学习以外的机器学习算法。

　　用户可以写内层循环代码控制计算图分支的计算，TensorFlow会自动将相关的分支转为子图并执行迭代运算。TensorFlow也可以将计算图中的各个节点分配到不同的设备上执行，充分利用硬件资源。

　　在TensorFlow中定义新的节点时只需要写一个Python函数，如果没有对应的底层运算核，则需要写C++或者CUDA代码来实现运算操作。此外，TensorFlow还支持深度强化学习及其他计算密集的科学计算（如偏微分方程求解等）。