产品
| 类别 | 说明 |
| 编程模型 | 数据流模型 |
| 语言 | Python、C++、Go、Rust、Haskell、Java、Julia、JavaScript、R |
| 部署 | 一次编写，各处运行 |
| 计算资源 | CPU、GPU、TPU |
| 实现方式 | 单机、分布式 |
| 平台支持 | 谷歌云平台、Hadoop分布式文件系统 |
| 数学表达 | 数学计算图表达、自动微分 |
| 优化 | 共同子图消除、异步核优化、通信优化、模型并行、数据并行、管道 |
TensorFlow中的计算可以表示为一个有向图(directed graph) ,或者称为计算图(computation graph) ，其中每一个运算操作(operation) 将作为一个节点(node) ，节点与节点之间的连接称为边(edge)
计算图每个节点可以有任意多个输入和输出，每个节点描述了一种运算操作。在计算图的边中流动(flow)的数据被称为张量(tensor) ，故得名TensorFlow。
| 类型 | 示例 |
| 标量运算 | Add、Sub、Mul、Div、Exp、Log、Greater、Less、Equal |
| 向量运算 | Concat、Slice、Split、Constant、Rank、Shape、Shuffle |
| 矩阵运算 | MatMul、MatrixInverse、MatrixDeterminant |
| 带状态的运算 | Variable、Assign、AssignAdd |
| 神经网络组件 | SoftMx、Sigmoid、Relu、Convolution2D、MaxPooling |
| 存储与恢复 | Save、Restore |
| 队列及同步运算 | Enqueue、Dequeue、MutexAcquire、MutexRelease |
| 控制流 | Merge、Switch、Enter、Leave、NextIteration |
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删
155-2731-8020
