1.5 TensorFlow
2015年底，谷歌在Apache 2.0许可下开源了其机器学习框架TensorFlow。在此之前，它被谷歌内部用于语音识别、搜索、照片和Gmail等应用程序。
一点历史
DistBelief是之前的一个可扩展的分布式训练和学习系统，它是TensorFlow当前实现的前身。你是否曾经写过一段乱七八糟的代码，然后希望可以从头开始？这就是DistBelief和TensorFlow的关系。TensorFlow不是谷歌第一个基于内部项目的开源系统。谷歌著名的Map-Reduce系统和谷歌文件系统（GFS）是当前Apache数据处理、网络爬虫和大数据系统（包括Hadoop、Nutch和Spark）的基础。此外，谷歌的bigTable系统是Apache Hbase项目的来源。
这个库是用C++实现的，有着便捷的Python API，以及一个不那么受欢迎的C++ API。由于依赖关系简单，TensorFlow可以快速部署到各种架构中。
类似于Theano——你可能熟悉的一个流行的Python数值计算库（http://deeplearning.net/software/theano），计算被描述为流图，将设计与实现分开。这种二分法几乎没有任何麻烦，允许同样的设计在移动设备上实现，以及在拥有数千个处理器的大规模训练系统上实现。这是一个跨平台的系统。TensorFlow还可以很好地兼容各种新的开发类的ML库，包括Keras（TensorFlow 2.0可以与Keras完全集成），以及一些库，如最初由Facebook开发的PyTorch（https://pytorch.org），以及更丰富的ML应用程序编程接口，如Fast.Ai。你可以使用许多工具包来实现ML，但你正在阅读一本关于TensorFlow的书，对吗？让我们专注于它！
TensorFlow最奇特的特性之一是它的自动微分功能。你可以尝试新的网络，而不必重新定义许多关键计算。
注意 自动微分技术使得实现反向传播变得容易得多。反向传播是一种计算量很大的工作，它用于机器学习的一个分支——神经网络。TensorFlow隐藏了反向传播的细节，所以你可以关注更宏观的问题。第11章有关于使用TensorFlow的神经网络的介绍。
所有的数学运算都被抽象和封装了起来，使用TensorFlow就像使用WolframAlpha来做微积分习题一样。
这个库的另一个特性是它的交互式可视化环境，称为TensorBoard。该工具显示数据转换的流图，显示随时间变化的汇总日志，并跟踪性能。图1.11展示了TensorBoard的样子，我们将在第2章介绍如何使用它。
图1.11 TensorBoard示例
在TensorFlow中创建原型要比在Theano中快得多（代码启动只需几秒钟，而不是几分钟），因为许多操作都是预先编译的。由于运行子图调试代码变得很容易，不需要重新计算就可以重用整个计算段。
TensorFlow不仅仅应用于神经网络，它也有开箱即用的矩阵计算和操作工具。大多数库（比如PyTorch、Fast.Ai和Caffe）是专门为深度神经网络设计的，但TensorFlow有更好的灵活性和可扩展性。
这个库的文档完善并且得到了谷歌的官方支持。机器学习是一个复杂的话题，因此有一家声誉卓著的公司支持TensorFlow是令人欣慰的。