从计算机发明之初，人们就希望它能够帮助甚至代替人类完成重复性劳作。利用巨大的存储空间和超高的运算速度，计算机已经可以非常轻易地完成一些对于人类非常困难，但对计算机相对简单的问题。比如统计一本书中不同单词出现的次数，存储一个图书馆中所有的藏书或是计算非常复杂的数学公式都可以轻松通过计算机解决。然而，一些人类通过直觉可以很快解决的问题，目前却很难通过计算机解决。人工智能领域需要解决的问题就是让计算机能像人类一样，甚至超越人类完成类似图像识别、语音识别等问题。
这一次的Google开源深度学习系统TensorFlow在很多地方可以应用，如语音识别，自然语言理解，计算机视觉，广告等等。但是，基于以上论点，我们也不能过分夸大TensorFlow这种通用深度学习框架在一个工业界机器学习系统里的作用。在一个完整的工业界语音识别系统里， 除了深度学习算法外，还有很多工作是专业领域相关的算法，以及海量数据收集和工程系统架构的搭建。
那么，到底什么是TensorFlow？
TensorFlow是Google开源的第二代用于数字计算（numerical computation）的软件库。它是基于数据流图的处理框架，图中的节点表示数学运算（mathematical operations），边表示运算节点之间的数据交互。TensorFlow从字面意义上来讲有两层含义，一个是Tensor，它代表的是节点之间传递的数据，通常这个数据是一个多维度矩阵（multidimensional data arrays）或者一维向量；第二层意思Flow,指的是数据流，形象理解就是数据按照流的形式进入数据运算图的各个节点。
TensorFlow是一个非常灵活的框架，它能够运行在个人电脑或者服务器的单个或多个CPU和GPU上，甚至是移动设备上。TensorFlow最早是Google大脑团队为了研究机器学习和深度神经网络而开发的，但后来发现这个系统足够通用，能够支持更加广泛的应用。
至于为什么谷歌要开源这个框架，它是这样回应的：
“IfTensorFlow is so great, why open source it rather than keep it proprietary? Theanswer is simpler than you might think: We believe that machine learning is akey ingredient to the innovative products and technologies of the future.Research in this area is global and growing fast, but lacks standard tools. Bysharing what we believe to be one of the best machine learning toolboxes in theworld, we hope to create an open standard for exchanging research ideas andputting machine learning in products. Google engineers really do use TensorFlowin user-facing products and services, and our research group intends to shareTensorFlow implementations along side many of our research publications.”
TensorFlow特点
在使用TensorFlow之前，有必要了解如下几个概念：
计算是用图的形式表示的。
Sessions是执行的入口，类似于SparkContext。
数据是用tensor表示的。
Variables用来表示可变状态，比如模型参数。
使用feeds和fetches从运算节点输入和输出数据。
TensorFlow计算框架要求所有的计算都表示成图，节点在图中被称为运算op(operation简称)。一个运算可以获得零个或者多个Tensors，经过计算，可以产生零个或者多个Tensors。一个Tensor是一个多维数组，举个例子，可以把一批图像数据表示成一个4维浮点数组[batch, height, width, channels]
计算图是通过Session提交，一个Session决定图中的运算该到那个设备上去计算，比如是选CPU还是CPU。运算op产生的结果在python中是一个numpy.ndarray数组对象，在C和C++中是tensorflow::Tensor实例。
如今在谷歌内部，TensorFlow已经得到了广泛的应用。在2015年10月26日，谷歌正式宣布通过TensorFlow实现的排序系统RankBrain上线。相比一些传统的排序算法，使用RankBrain的排序结果更能满足用户需求。在2015年彭博（Bloomberg）的报道中，谷歌透露了在谷歌上千种排序算法中，RankBrain是第三重要的排序算法。基于TensorFlow的系统RankBrain能在谷歌的核心网页搜索业务中占据如此重要的地位，可见TensorFlow在谷歌内部的重要性。包括网页搜索在内，TensorFlow已经被成功应用到了谷歌的各款产品之中。如今，在谷歌的语音搜索、广告、电商、图片、街景图、翻译、YouTube等众多产品之中都可以看到基于TensorFlow的系统。在经过半年的尝试和思考之后，谷歌的DeepMind团队也正式宣布其之后所有的研究都将使用TensorFlow作为实现深度学习算法的工具。
除了在谷歌内部大规模使用之外，TensorFlow也受到了工业界和学术界的广泛关注。在Google I/O 2016的大会上，Jeff Dean提到已经有1500多个GitHub的代码库中提到了TensorFlow，而只有5个是谷歌官方提供的。如今，包括优步（Uber）、Snapchat、Twitter、京东、小米等国内外科技公司也纷纷加入了使用TensorFlow的行列。正如谷歌在TensorFlow开源原因中所提到的一样，TensorFlow正在建立一个标准，使得学术界可以更方便地交流学术研究成果，工业界可以更快地将机器学习应用于生产之中。
如果修改了pip源直接下面命令安装即可：
pip3 install tensorflow如果没有修改会很慢然后报错，修改源的方法如下： 国内镜像源 阿里云 http://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 豆瓣(douban) http://pypi.douban.com/simple/ 清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/ 中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/
临时使用方法很简单，直接 -i 加 url 即可！如下：
pip3 install tensorflow -i http://pypi.douban.com/simple请使用命令：
pip3 install tensorflow -i http://pypi.douban.com/simple --trusted-host pypi.douban.com如果想配置成默认的源，方法如下： 需要创建或修改配置文件（一般都是创建）， linux的文件在~/.pip/pip.conf， windows在%HOMEPATH%\pip\pip.ini）， 修改内容为：
[global] index-url = http://pypi.douban.com/simple [install] trusted-host=pypi.douban.com这样在使用pip来安装时，会默认调用该镜像。
错误信息： 错误的意思是tensortflow模块没有Session属性，后来查阅资料发现，tensorflow2.0版本中的确没有Session这个属性，如果安装的是tensorflow2.0版本又想利用Session属性，可以将tf.Session()更改为：
tf.compat.v1.Session()这个方法可以解决此类问题，不仅仅适用于Session属性。 再次运行时，程序又报了另一个错误： 查阅资料发现，原因是2.0与1.0版本不兼容，在程序开始部分添加以下代码：
tf.compat.v1.disable_eager_execution()就可以正常运行了。
tensorflow的官网对disable_eager_execution()方法是这样解释的：
This function can only be called before any Graphs, Ops, or Tensors have been created. <br>It can be used at the beginning of the program for complex migration projects from TensorFlow 1.x to 2.x.翻译过来为：此函数只能在创建任何图、运算或张量之前调用。它可以用于从TensorFlow 1.x到2.x的复杂迁移项目的程序开头。
TF 1.x和2.0方法的主要区别在于2.0方法不使用tf.Session，tf.run，placeholder，feed_dict。 要了解两个版本之间的不同之处以及如何在两者之间进行转换的更多详细信息，请查看官方迁移指南：https：//www.tensorflow.org/alpha/guide/migration_guide
