【前言】

众所周知，TensorFlow是由Google发起的开源项目，使用数据流图（data flow graphic）来进行数值计算的软件库， github 地址：github tf 传送门。

在此之前，我也听到TF的大名，但听过一些关于tensor flow的讲座，提到很多机器学习、神经网络等知识点，我很快就望而怯步了。毕竟作为应用开发，深感底层技术的门槛和算法的复杂性。

时至今天，所在行业与TensorFlow密切相关，愈发预感到TF自身的魅力和所带来的趋势，很有必要去了解它。这种并非是硬着头皮，而是带着兴趣来的。纵观流行的框架，底层的复杂实现只能是小部分人的专利，但一到应用场景肯定是大众的福利， TF也应如此。之前打开的方式不对，让我们来重新打开它？

【历史】

2011， Google 发布第一代深度学习系统——DistBelief；

2016.4.13，Google 发布TensorFlow V0.8, 支持分布式，由于之前的版本已经支持CPU和GPU，因此，该版本已经具备应用于大数据计算的条件；

2016.4.29，DeepMind正式宣布，使用TensorFlow，顺势推了一把（此前，Alpha Go已经战胜韩国的李世石，名震一时）；

2017.2.15，Google正式发布了TensorFlow V1.0，一套基于DistBelief研发了第二机器智能学习系统。（在此前已经陆续更新了多个测试版本）；

TensorFlow与DistBelief版本的差别要从以下方面入手：

从出发点来看：

DistBelief 更像是Google自家内部使用的，场景比较特定；

TensorFlow 则是开放性的，它适配了N多主流的平台、兼容其它神经网络库（比如Keras，Keras 传送门）、性能更好，开发接入成本更低等等。

【应用场景】

TensorFlow支持CNN（卷积神经网络），RNN（循环神经网络），LSTM（长短期记忆网络），这些神经网络模型算法广泛应用于图像、语音、NLP领域。

我从官方的Android版体验Demo，，总共分为TF classify、TF detect、TF stylize、TF speech四部分，实测如下：

TF classify： 场景识别

TF detect： 物体跟踪

TF stylize： 艺术风格

https://www.zhihu.com/video/910186364002271232

从实测来看，应该属于离线Demo，已经经过样本库训练，存在以下问题：

1）demo闪退

TF classify 处理一段时间，就挂掉，无法确定是crash还是程序本身逻辑；

2）准确率

图像识别，存在误识别的情况，但分数不高。根据之前的经验来看，也可理解；

语音识别，有一定概率识别不准，而且容易受环境干扰；

3）支持类别

仅支持一些常见的物体类别，一些特殊的物体类别，还无法识别；

4) 标签通用性

目前识别出来的标签都是英文的，非英语国家，还需要本地化适配。这里可能需要一张统一的对照表，使用统一的标签(比如数字之类)，方便在不同语言的开发者接入;

但总体能力非常感人，可以使机器人学习的应用成本更低，后面更多的在于样本库（比如数据量大小，数据越大，识别的准确度更高，识别类别更广）

当然，除此之外，TensorFlow本质上是使用数据流图来计算，可扩展性的机器学习系统，可以应用到更多的领域里。

【支持平台】

Linux-CPU/GPU

Mac-CPU

Window-CPU/GPU

Android