3.1　TensorFlow概述

3.1.1　什么是TensorFlow

什么是TensorFlow？与PyTorch类似，TensorFlow也可以拆分成两部分：Tensor+Flow。Tensor即张量，第2章学习PyTorch的时候已经介绍过了，是可以在GPU中运行的多维数组。而Flow是流的意思，说明TensorFlow是一个采用数据流图进行数值计算的开源软件库。

与PyTorch一样，TensorFlow也是一个基于Python的深度学习框架。TensorFlow最初由Google大脑小组的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究。后来，TensorFlow逐渐发展壮大，最终成为使用人数最多、社区最大、排名第一的深度学习框架。

TensorFlow的基本原理是基于图运算，而且可以将一个计算图划分成多个子图，然后在多个CPU或者GPU上并行地执行。除此之外，TensorFlow还支持分布式计算，可以在合理的时间内在数百台服务器上进行分割计算，在庞大的训练集上训练巨大的神经网络。

3.1.2　为什么使用TensorFlow

TensorFlow内建深度学习的扩展支持模块，任何能够用计算流图形来表达的计算，都可以使用TensorFlow。任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分化（auto-differentiation）。通过灵活的Python接口，要在TensorFlow中表达想法也会很容易。TensorFlow对于实际的产品也是很有意义的，可以将思路从桌面GPU训练无缝搬迁到手机中运行。

正是因为TensorFlow这种独一无二的特性，使TensorFlow得以迅速发展。它目前已经被Google、OpenAI、NVIDIA、Intel、SAP、eBay、Airbus、Uber、Airbnb、Snap、Dropbox等许多大公司广泛采用。

总而言之，选择使用TensorFlow主要基于以下原因。

（1）Python API。

（2）可移植性：仅仅使用一个API就可以将计算任务部署到服务器或者计算机的CPU或者GPU上。

（3）灵活性：适用于Linux、CentOS、Windows等操作系统。

（4）可视化（TensorBoard）。

（5）支持存储和恢复模型与图。

（6）拥有庞大的社区支持。