Tensorflow為一種機器學習庫。

優點：

    1.可自行設計神經網路結構；

    2.不需要通過反向傳播求解梯度，Tensorflow支援自動求導；

    3.通過C++編寫核心程式碼，簡化了線上部署的複雜度(通過SWIG實現Python，Go和JAVA介面)；

    4.Tensorflow中內建TF.Learn和TF.Slim等元件，併兼容Sciket-learn estimator介面(evaluate、grid、search、cross、validation)；

    5.資料流式圖支援自由的演算法表達，可實現深度學習以外的機器學習演算法；

    6.可寫內層迴圈程式碼控制計算圖分支的計算，可將相關的分支轉化為子圖並執行迭代計算；

    7.可進行並行設計，充分利用硬體資源。 

    8.具有靈活的移植性，編譯速度較快；

在資料並行模式上：Tensorflow主要面向記憶體足以裝載模型引數環境，從而實現計算效率的最大化；

支援卷積神經網路(Convolutional Neural Network ,CNN),迴圈神經網路(Recurent Neural Network,RNN),支援深度強化學習及計算密集的科學計算(偏微分方程求解);

在加入XLA後可以支援JIT和AOT，通過Bucketing trick可以比較高效的實現迴圈神經網路；目前只可計算靜態圖；

     通過Tendorflow Serving元件可以將Tensorflow 訓練好的模型匯出；並部署成可以對外提高預測服務的RESTful介面；從而實現了從研究到生成整條流水線的框架：

訓練模型——>除錯引數——>打包模型——>部署服務；”Tendorflow Serving元件是一個為生產環境而設計的高效能的機器學習服務系統。可以同時執行多個大規模深度學習模型，支援模型生命週期管理，演算法實驗，並可高效地利用GPU資源。“——內部開發員

     TensorBoard是tensorflow的一組Web應用：可監控Tensorflow執行過程(視覺化Compution Graph)；目前支援5種視覺化：

       1.標量(scalars)，2.圖片(images），3.音訊(audio)，4.直方圖(histograms)，5.計算圖(Computation Graph)

        其中Events Dashbo可以持續地監控執行時的關鍵指標：

      1.loss，2.學習速率(learning rate)，3.準確率(accuracy)     ;

        Image Dashboard則可以展示訓練過程中使用者設定儲存的圖片；

        Graph Explorer則可以完全展示Tensorflow的計算圖；