1 TensorFlow 架构图
1.1 处理器
TensorFlow 可以在CPU、GPU、TPU中执行
1.2 平台
TensorFlow 具备跨平台能力，Windows 、Linux、Android、IOS、Raspberry Pi、云端执行
1.3 分布式执行引擎
TensorFlow Distributed Execution Engine 分布式执行引擎
在深度学习中，最花时间的就是模型的训练，尤其大型的深度学习模型必须使用大量数据进行训练，需要数天乃至数周之久，TensorFlow 具备分布式计算能力，可同时在数百台机器上执行训练模型，大幅度缩短模型训练的时间。
1.4 前端程序语言
TensorFlow 可以使用多种前端程序语言，如Python、C++等，但Python的支持效果最好。
1.5 高级API
TensorFlow 是比较低级的深度学习 API，所以用程序设计模型时必须自行设计，张量乘积、卷积等底层操作，此好处时我们可自行设计各种深度学习模型，缺点是开发时需要编写更多的程序代码。
网上开发社区以 TensorFlow 为底层开发很多高级的深度学习 API ，如 Keras、TF-Learn、TF-Slim、TF-Layer 等，其中 Keras 的功能
2 TensorFlow 简介
顾名思义，TensorFlow是由Tensor 和 Flow 组成的。
2.1 Tensor（张量）
在数学里，张量是一种几何实体或广义上的 “ 数量 ” ，在此 “ 数量 ” 包含 “ 标量、向量或矩阵 “ 。
- 零维的张量是标量
如 0.1
- 一维的张量的向量
如 [ 0.1 0.2 0.3 ]
- 二维以上的张量是矩阵
如 [ [ 0.1 0.2 0.3 ]
[ 0.4 0.5 0.6 ] ]
2.2 Flow（数据流）
所有的 TensorFlow 程序都是先建立 ” 计算图 “ （computational graph），这是张量运算和数据处理的流程。
我们可使用 TensorFlow 提供的模块以不同的程序设计语言建立 ” 计算图 " 。TensorFlow 提供的模块非常强大，我们可以设计张量运算流程，并构建深度学习或机器学习模型。
建立 “ 计算图 ” 完成后，我们就可以在不同的平台上执行 “ 计算图 ” 。
3 TensorFlow 程序设计模式
TensorFlow 程序设计模式的核心是 “ 计算图 ” ，可分为建立计算图和执行计算图两部分。
3.1 建立计算图
使用 TensorFlow 提供的模块建立计算图，设计张量运算流程，并构建各种深度学习或机器学习模型
3.2 执行计算图
建立计算图后，我们就可建立 Session 来执行计算图了。
在 TensorFlow 中， Session（愿意为会话）的作用是在客户端和执行设备间建立连接。有了该连接，就可以将计算图在各种不同设备中执行，后续任何与设备之间的数据传输都必须通过 Session 来进行，并且最后获得执行后的结果。
4 Keras 介绍
Keras 是一个开源码的高级深度学习程序库，使用 Python 编写，能够在 TensorFlow 或 Theano 之上。
4.1 为何使用 Keras
相对 TensorFlow 低级链接库而言，Keras 使用最少的程序代码、花费最小的时间就可建立深度学习模型，进行训练、评估准确率、并进行预测。
4.2 Keras 的工作方式
Keras 是一个模型级（model-level）的深度学习链接库，Keras只处理模型的建立、训练、预测等功能。
深度学习底层的运行，如张量的运算，Keras 必须配合 “ 后端引擎 " (backend engine）进行运算；目前 Keras 提供了 TensorFlow 和 Theano 两种后端引擎。
简而言之， Keras 程序员只需要专注于建立模型，底层操作细节（以张量运算为例）则由 Keras 转化为 Theano 或 TensorFlow 相应指令。
4.3 Keras 深度学习链接库特色
1 - 简单快速地建立原型prototyping ： Keras 具备友好的用户界面、模块化设计、可扩充性
2 - 已经内建各种类神经网络层级，如卷积层 CNN、RNN，此可帮助我们快速建立神经网络模型。
3 - 通过后端引擎 Theano 与 TensorFlow，可在 CPU 与 GPU 上运行。
4 - 以Keras 开发的程序代码更简洁，可读性更高、更容易维护、更具有生产力。
5 - Keras的文件多、范例多、浅显易懂。
5 Keras 程序设计模式
实质上是利用 Keras 建立多层感知器（Multilayer Perceptron）。输入层 - 隐藏层 - 输出层；具体过程如下：
5.1 建立 Sequential 模型
Sequential 模型是多个神经网络的线性堆叠。
model = Sequential()
5.2 向模型中添加 ” 输入层 “ 与 ” 隐藏层 "
keras 已经内建各种神经网络层（如 Dense层、Conv2d层等），只要在之前建立的模型上加入我们选择的神经网络层即可。
model.add(Dense(units=256, input_dim=784, kernel_initializer='normal', activation='relu'))
5.3 向模型中添加 ” 输出层 “
model.add(Dense( units=10, kernel_intializer='normal', actiation='softmax'))
以上基本就完成了多层感知器模型的建立。
6 Keras 与 TensorFlow 比较
略