原文链接：https://github.com/Unity-Technologies/ml-agents/blob/master/docs/Background-TensorFlow.md
背景：TensorFlow
正如我们的机器学习背景页面中所讨论的那样，我们在ML-Agents中提供的许多算法都利用某种形式的深度学习。更具体地说，我们的实现建立在开源库TensorFlow之上。这意味着ML-
代理（当前）产生的模型格式只能被TensorFlow理解。在这个页面中，我们提供了TensorFlow的简要概述，以及我们在ML-Agents中使用的与TensorFlow相关的工具。
TensorFlow
TensorFlow是一个开源库，用于使用数据流图（深度学习模型的基本表现）进行计算。它有助于基于在桌面，服务器或移动设备上的CPU和GPU进行训练和推理。在ML-Agents中，当您训练Agent的行为时，输出是一个TensorFlow模型（.bytes）文件，您可以将其嵌入到内部Brain中。除非你引入一个新的算法，TensorFlow的大部分用法都是在幕后抽象出来的。
TensorBoard
使用TensorFlow的训练模型的一个组成部分是设置某些模型属性（称为超参数）的值。找到这些超参数的正确值可能需要一些迭代。所以，
我们利用称为TensorBoard的TensorFlow中的可视化工具。它允许在整个训练过程中对特定代理属性（例如奖励）进行可视化，这有助于为不同的超参数构建直觉并为Unity环境设置最佳值。
我们在文档的后面部分提供了有关设置超参数的更多详细信息，但同时，如果您不熟悉TensorBoard，我们推荐该教程。
TensorFlowSharp
TensorFlow的缺点之一是它不提供原生的C＃API。
这意味着由于Unity脚本是用C＃编写的，因此内部Brain不被原生支持。因此，为了启用内部Brain，我们利用了第三方库TensorFlowSharp，它为TensorFlow提供了.NET绑定。因此，当构建了包含内部Brain的Unity环境，
推断会通过TensorFlowSharp进行。我们提供了关于如何在Unity中利用TensorFlowSharp的更深入的概述，一旦您在ML-Agents中安装并开始训练行为，它将变得更加相关。鉴于对TensorFlowSharp的依赖，内部Brain目前被标记为实验性的。