第二天的学习内容：
1.Tensor Flow 技术特性：
（1）.编程模型：数据流模型
（2）.语言：python、C++、Go、Rust、Java等
（3）.部署：Code once，run everywhere（一次编写，各处运行）
（4）.计算资源：CPU(中央处理器，超大规模的集成电路)、GPU（图形处理器，用于个人电脑、游戏机和一些移动设备上图像运算工作的微处理器）、TPU（Tensor Processing Unit，张量（在计算图的边中流动的数据）计算单元，主要用作推断->谷歌为深度学习计算定制的芯片）
（5）.实现方式：单机实现和分布式实现
（6）.平台支持：谷歌云平台、Hadoop（由Apache基金会所开发的分布式系统基础框架）分布式文件系统
（7）.数字表达：数学计算图表达、自动微分（不太明白，求指点）
（8）.优化：共同子图消除（没弄懂）、异步核（不同的核心可以以相同或不同频率执行处理指令，不需要两个一起开动来完成一个任务（同步核））优化、通信优化、模型并行、数据并行、流水线
2.TensorFlow 核心概念：
原文理解：
（1）.在计算图的边中流动（flow）的数据称为张量（tensor），得名TensorFlow。
（2）.TensorFlow中的计算可以表示为一个有向图或计算图（计算图可以由用户用Python、C++、Go、Java等语言进行设计），其中每一个运算操作将作为一个节点，节点与节点之间的连接称为边。
（3）.计算图中每一个节点可以有任意多个输入和输出，每一个节点描述了一种运算操作，节点算是运算操作的实例化。
（4）.边中流动的数据（tensor）的数据类型可以是事先定义的，也可以根据计算图的结构推断得到。
（5）.依赖控制（control dependencies）这种特殊边中没有数据流动，目的是让他的起始节点执行完之后再执行目标节点（？），用户可以使用这样的边进行灵活的条件控制。
（6）.一个运算操作（可以有自己的属性，但是属性必须事先设置或可被推断）代表了一种类型的抽象运算，通过设置运算操作的属性可以用来支持不同的tensor元素类型。
（7）.运算核（kernel）是一个操作运算在某个具体硬件（如CPU或GPU）中的实现
（8）.可通过注册机制加入新的运算操作或者运算核
（9）.Session是使用tensorflow的交互式接口，用户使用Session的Extend添加新的节点和边用以创建计算图，然后用Session的Run执行运算图。用户只需要给出需要计算的节点，同时提供输入数据。
（10）.大多数运算中，计算图被反复执行多次，但是数据（tensor）并不会被持续保留，只是在计算图中过一遍。—>Variable是一类特殊的运算操作，它可以将一些需要保留的tensor存储在内存或显存中，同时在计算过程中，这些tensor也会被更新。