官方网站链接：https://tensorflow.google.cn/
TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。
Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。
TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（Application Programming Interface, API）。
自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码。
安装
TensorFlow支持多种客户端语言下的安装和运行。截至版本1.12.0，绑定完成并支持版本兼容运行的语言为C和Python，其它（试验性）绑定完成的语言为JavaScript、C++、Java、Go和Swift，依然处于开发阶段的包括C#、Haskell、Julia、Ruby、Rust和Scala
Python
TensorFlow提供Python语言下的四个不同版本：CPU版本（tensorflow）、包含GPU加速的版本（tensorflow-gpu），以及它们的每日编译版本（tf-nightly、tf-nightly-gpu）。TensorFlow的Python版本支持Ubuntu 16.04、Windows 7、macOS 10.12.6 Sierra、Raspbian 9.0及对应的更高版本，其中macOS版不包含GPU加速 [6] 。安装Python版TensorFlow可以使用模块管理工具pip/pip3 或anaconda并在终端直接运行。
1 2 | pip install tensorflow conda install -c conda-forge tensorflow |
此外Python版TensorFlow也可以使用Docker安装 ：
1 2 3 4 5 6 7 | docker pull tensorflow/tensorflow:latest # 可用的tag包括latest、nightly、version等 # docker镜像文件：https://hub.docker.com/r/tensorflow/tensorflow/tags/ docker run -it -p 8888:8888 tensorflow/tensorflow:latest # dock下运行jupyter notebook docker run -it tensorflow/tensorflow bash # 启用编译了tensorflow的bash环境 |
C
TensorFlow提供C语言下的API用于构建其它语言的API，支持x86-64下的Linux类系统和macOS 10.12.6 Sierra或其更高版本，macOS版不包含GPU加速。安装过程如下 ：
下载TensorFlow预编译的C文件到本地系统路径（通常为/usr/local/lib）并解压缩。
1 | sudo tar -xz libtensorflow.tar.gz -C /usr/local |
使用ldconfig编译链接
1 | sudo ldconfig |
此外用户也可在其它路径解压文件并手动编译链接。
1 2 3 4 5 6 | # Linux export LIBRARY_PATH=$LIBRARY_PATH:~/mydir/lib export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/mydir/lib # MacOS export LIBRARY_PATH=$LIBRARY_PATH:~/mydir/lib export DYLD_LIBRARY_PATH=$DYLD_LIBRARY_PATH:~/mydir/lib |
编译C接口时需确保本地的C编译器（例如gcc）能够访问TensorFlow库 。
配置GPU
TensorFlow支持在Linux和Window系统下使用统一计算架构（Compute Unified Device Architecture, CUDA）高于3.5的NVIDIA GPU。配置GPU时要求系统有NVIDIA GPU驱动384.x及以上版本、CUDA Toolkit和CUPTI（CUDA Profiling Tools Interface）9.0版本、cuDNN SDK7.2以上版本。可选配置包括NCCL 2.2用于多GPU支持、TensorRT 4.0用于TensorFlow模型优化 [10] 。
在Linux下配置GPU时，将CUDA Toolkit和CUPTI的路径加入$LD_LIBRARY_PATH环境变量即可。对于CUDA为3.0或其它版本的NVIDIA程序，需要从源文件编译TensorFlow。对Windows下的GPU配置，需要将CUDA、CUPTI和cuDNN的安装路径加入%PATH%环境变量，在DOS终端有如下操作 ：
1 2 3 | C:\> SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin;%PATH% C:\> SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\CUPTI\libx64;%PATH% C:\> SET PATH=C:\tools\cuda\bin;%PATH% |
Linux系统下使用docker安装的Python版TensorFlow也可配置GPU加速且无需CUDA Toolkit ：
1 2 3 4 5 6 7 8 | # 确认GPU状态 lspci | grep -i nvidia # 导入GPU加速的TensorFlow镜像文件 docker pull tensorflow/tensorflow:latest-gpu # 验证安装 docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi # 启用bash环境 docker run --runtime=nvidia -it tensorflow/tensorflow:latest-gpu bash |
TensorFlow的公共API版本号使用语义化版本2.0标准 ，包括主版本号.次版本号.修订号，其中主版本号的更改不是向下兼容的，已保存的TensorFlow工作可能需迁移到新的版本； 次版本号的更改包含向下兼容的性能提升；修订号的更改是向下兼容的问题修正。
TensorFlow支持版本兼容的部分包括协议缓冲区文件、所有的C接口、Python接口中的tensorflow模块以及除tf.contrib和其它私有函数外的所有子模块、Python函数和类。更新不支持版本兼容的部分为：包含“试验性（experimental）”字段的组件、使用除C和Python外其它语言开发的TensorFlow API、以GraphDef形式保存的工作、浮点数值特定位的计算精度、随机数、错误和错误消息。其中GraphDef拥有与TensorFlow相独立的版本号，当TensorFlow的更新放弃对某一GraphDef版本的支持后，可能有相关工具帮助用户将GraphDef转化为受支持的版本。需要指出，尽管 GraphDef的版本机制与TensorFlow相独立，但对GraphDef的更改仍受限于语义版本控制，即只能在TensorFlow主版本号之间移除或更改功能。此外，修订版本之间实施GraphDef的向前兼容 。