Notes on tensorflow（一） Framework Overview

About tensorflow

Tensorflow自2015年11月被Google开源后迅速火了起来。听一位在MS实习的师兄说， MS也用Google的tensorflow。它能火起来的原因应该有以下几个：

1. Google公司的大力推广

2. 非常活跃的开源社区

3. 功能强大， 好用“易”用

4. 。。。

Overview

Tensorflow， 简称tf， 不仅仅是一个deep learning的框架， 它更是一个general的machine learning计算框架。 tf采用了符号式编程(Symbolic style)，它的计算是通过计算图（Computation Graph）实现的， 支持自动求导。同一类型的框架还有theano， 一个始祖型的老牌框架。与之相对的另一种编程模式是是命令式编程（Imperative Style），如caffe。 MXNet则同时采用了两者。使用Symbolic Style的最大好处莫过于自动求导。与caffe相比，不用自己实现backward方向。与theano相比， tf的graph使用起来感觉更好， 因为tf用户不用像theano用户一样等漫长的function build过程。

tf同时提供low-level和high-level的接口。前者更灵活，可实现细粒度的各种操作， 足以满足general的Machine Learning编程需求。后者使用起来更方便， （重复）代码量相比于前者大大降低。后者是对前者的封装。

tf里有一个特殊的包：

tf.contrib

A high-level API like tf.contrib.learn helps you manage data sets, estimators, training and inference. Note that a few of the high-level TensorFlow APIs–those whose method names contain contrib– are still in development. It is possible that some contrib methods will change or become obsolete in subsequent TensorFlow releases.

https://www.tensorflow.org/get_started/get_started

大概意思是它是一个高级包， 提供很多功能， 但在以后的版本里可能被废除。