对Tensorflow整体的理解介绍

 Tensorflow为一种机器学习库。

优点：

    1.可自行设计神经网络结构；

    2.不需要通过反向传播求解梯度，Tensorflow支持自动求导；

    3.通过C++编写核心代码，简化了线上部署的复杂度(通过SWIG实现Python，Go和JAVA接口)；

    4.Tensorflow中内置TF.Learn和TF.Slim等组件，并兼容Sciket-learn estimator接口(evaluate、grid、search、cross、validation)；

    5.数据流式图支持自由的算法表达，可实现深度学习以外的机器学习算法；

    6.可写内层循环代码控制计算图分支的计算，可将相关的分支转化为子图并执行迭代计算；

    7.可进行并行设计，充分利用硬件资源。 

    8.具有灵活的移植性，编译速度较快；

在数据并行模式上：Tensorflow主要面向内存足以装载模型参数环境，从而实现计算效率的最大化；

支持卷积神经网络(Convolutional Neural Network ,CNN),循环神经网络(Recurent Neural Network,RNN),支持深度强化学习及计算密集的科学计算(偏微分方程求解);

在加入XLA后可以支持JIT和AOT，通过Bucketing trick可以比较高效的实现循环神经网络；目前只可计算静态图；

     通过Tendorflow Serving组件可以将Tensorflow 训练好的模型导出；并部署成可以对外提高预测服务的RESTful接口；从而实现了从研究到生成整条流水线的框架：

训练模型——>调试参数——>打包模型——>部署服务；”Tendorflow Serving组件是一个为生产环境而设计的高性能的机器学习服务系统。可以同时运行多个大规模深度学习模型，支持模型生命周期管理，算法实验，并可高效地利用GPU资源。“——内部开发员

     TensorBoard是tensorflow的一组Web应用：可监控Tensorflow运行过程(可视化Compution Graph)；目前支持5种可视化：

       1.标量(scalars)，2.图片(images），3.音频(audio)，4.直方图(histograms)，5.计算图(Computation Graph)

        其中Events Dashbo可以持续地监控运行时的关键指标：

      1.loss，2.学习速率(learning rate)，3.准确率(accuracy)     ;

        Image Dashboard则可以展示训练过程中用户设定保存的图片；

        Graph Explorer则可以完全展示Tensorflow的计算图；