浅理解tensorflow及其应用（科学计算库、框架、版本、tf.XXX、有状态的操作 Assign、模型的保存和加载、加速、图和默认图、tensorflow程序的两个阶段）

1.tensorflow作为一个科学计算库

把它分装一下，可以将其运用到深度学习中，也可以封装一下应用到机器学习中。它是基于numpy的。
而sklearn是基于numpy之上的。

2.一般不把tensorflow应用在机器学习中

之前学的机器学习用sklearn库,只能在一台机子上跑。想分布式跑可以用大数据实现，但是比较难。因为搞机器学习的人只懂Python。用大数据的话门槛有点儿高。因为大数据中大多用的是Java和scala。如果把tensorflow用于机器学习呢，虽然可以解决分布式问题，但是因为一些机器学习算法用tensorflow是无法实现的，而且深度学习可以在GPU和CPU上运行，而机器学习都在CPU上运行。所以一般不把tensorflow应用在机器学习中。

3.sklearn受限于单机计算，tensorflow框架更注重于编程

性能不是太好，而深度学习很容易将准确率训练高。
tensorflow框架更注重于编程，caffe框架主要是修改一些配置文件，和编程没有多少关系，难。它们主要区别是它们构建网络的方式不一样或API不一样，其他是类似的。

有时候用tensorflow的一个简单的算法就可以把效果实现的很好。而可能在机器学习中要用到好多东西。
所以说，Tensorflow只是一个基础，至于你把它用到哪儿，自己说了算。

4.tensorflow不同版本没啥大区别

可能就是一些API中参数顺序换了或其他啥的

5.tensorflow、tensorboard

tensorflow就是平时说的tensorflow
tensorflow-tensorboard是指可视化界面

6.tensorflow中的数据类型，调用格式：eg：tf.float32

tensorflow中的数据是有数据类型的，调用格式有点特别。比如tf.XXX等。
并且要求参加运算的数据的数据类型是一致的

7.tensorflow图中节点中有一个操作是有状态的操作

Assign，AssignAdd，这两个API相当于变量更新的操作，会涉及到控制依赖的问题。

8.用tensorflow框架时，模型的保存和加载就用save和restore。

不管是机器学习还是深度学习，只要是tensorflow，模型的保存和加载就用save和restore。

9.tensorflow的加速

在tensorflow中，有时候为了加速就会遇到队列和同步操作。

10.tensorflow中的图和默认图

在tensorflow中，有一张默认图，一般情况下，用它就行了。注意：若构建了多个图，即使是代码写在一块，若多个图之间的节点或数据存在依赖，运行时候就会报错。

但它是支持多个图在一个程序中构建的。

11.tensorflow的程序一般分为两个阶段

构建阶段和执行阶段