基础教程1
1.什么是Tensorflow！
TensorFlow™ 是一个使用数据流图进行数值计算的开放源代码软件库。图中的节点代表数学运算，而图中的边则代表在这些节点之间传递的多维数组（张量）。借助这种灵活的架构，您可以通过一个 API 将计算工作部署到桌面设备、服务器或移动设备中的一个或多个 CPU 或 GPU。TensorFlow 最初是由 Google Brain 团队（隶属于 Google 机器智能研究部门）中的研究人员和工程师开发的，旨在用于进行机器学习和深度神经网络研究。但该系统具有很好的通用性，还可以应用于众多其他领域。[1]
上面一段话来自Tensorflow（下文简称TF）的官网，由第一句话，就可以看出，TF是一个通用软件，并不是一个专用软件，它不仅可以用于
机器学习、深度学习研究，而且还可以用于其它的任务。基于以上言论，我们可以对Tensorflow有一个更加明确的认识，它是一个数据流图式的数值计算库。
2.TF的安装
TF支持的语言比较多，这里只说下Python下的安装
其它内容请移步官方安装教程
TF的安装方式主要有：
- Virtualenv （官方推荐这种）
- “原生”pip
- Docker
- Anaconda （这种也挺好）
- 源码（源码还是算了吧，技术没那么高）
官方建议采用 Virtualenv 安装方式。 Virtualenv 是一个与其他 Python 开发相互隔离的虚拟 Python 环境，它无法干扰同一计算机上的其他 Python 程序，也不会受其影响。在 Virtualenv 安装过程中，您不仅要安装 TensorFlow，还要安装 TensorFlow 需要的所有软件包。（这一过程其实很简单。）要开始使用 TensorFlow，您只需要“激活”虚拟环境。总而言之，Virtualenv 提供一种安全可靠的机制来安装和运行 TensorFlow。
原生 pip 会直接在您的系统上安装 TensorFlow，而不是通过任何容器系统。我们建议希望多用户系统中的每个用户都能使用 TensorFlow 的系统管理员采用原生 pip 安装。 原生 pip 安装并未隔离在单独的容器中进行，因此可能会干扰系统中其他基于 Python 的安装。但是，如果您熟悉 pip 和您的 Python 环境，通常只需一条命令即可进行原生 pip 安装。
Docker 会将 TensorFlow 安装与您计算机上之前就已存在的软件包完全隔离开来。Docker 容器包含了 TensorFlow 及其所有依赖项。请注意，Docker 映像可能比较大（数百 MB）。如果您想要将 TensorFlow 整合到已在使用 Docker 的某个更大的应用架构中，则可以选择 Docker 安装。
在 Anaconda 中，您可以使用 conda 来创建一个虚拟环境。但是，在 Anaconda 内部，我们建议使用 pip install 命令来安装 TensorFlow，而不要使用 conda install 命令。（注意这里说的安装方法）
我推荐的方法是Anaconda（最好用），从Anaconda官网下载，对应系统的安装包，安装之后，你就已经安装好了常用的包，然后使用pip安装Tensorflow。（注意：与Anaconda类似的还有一个Miniconda，两者功能基本一致，Miniconda占用的存储少些，默认安装的包很少）
3.TF库的架构
TF作为当前深度学习较为流行的一个框架，其提供了非常丰富的API，有底层、中层、高层三个级别的API。
三个级别的API使得TF相当的好用，我们可以使用中高层API快速搭建已有的模块，然后使用底层API编写一些定制模块，这可以极大地加快我们的开发，并且保留代码的灵活性。
4.TF的使用方法
动态计算图
静态计算图
静态计算图首先定义计算图，然后执行图。这种图称为静态计算图。构建图的过程，只是建立了各个节点之间的运算关系，并没有进行实际的计算。执行图的过程中，计算才真正发生。
现在TF增加了Eager模式，从而可以支持动态计算图（动态计算图主要用于自然语言处理）。构建和运行同时进行，并且可以随时更改计算图。