任何曾经试图在 Python 中只利用 NumPy 编写神经网络代码的人都知道那是多么麻烦。编写一个简单的一层前馈网络的代码尚且需要 40 多行代码，当增加层数时，编写代码将会更加困难，执
TensorFlow 使这一切变得更加简单快捷，从而缩短了想法到部署之间的实现时间。在本教程中，你将学习如何利用 TensorFlow 的功能来实现深度神经网络。
TensorFlow 是由 Google Brain 团队为深度神经网络（DNN）开发的功能强大的开源软件库，于 2015 年 11 月首次发布，在 Apache 2.x 协议许可下可用。截至今天，短短的两年内，其 GitHub 库大约 845 个贡献者共提交超过 17000 次，这本身就是衡量 TensorFlow 流行度和性能的一个指标。
图 1 列出了当前流行的深度学习框架，从中能够清楚地看到 TensorFlow 的领先地位：
图 1 TensorFlow的领先地位示意图
先来了解一下 TensorFlow 究竟是什么，以及它为什么在 DNN 研究人员和工程师中如此受欢迎。
开源深度学习库 TensorFlow 允许将深度神经网络的计算部署到任意数量的 CPU 或 GPU 的服务器、PC 或移动设备上，且只利用一个 TensorFlow API。你可能会问，还有很多其他的深度学习库，如 Torch、Theano、Caffe 和 MxNet，那 TensorFlow 与其他深度学习库的区别在哪里呢？包括 TensorFlow 在内的大多数深度学习库能够自动求导、开源、支持多种 CPU/GPU、拥有预训练模型，并支持常用的NN架构，如递归神经网络（RNN）、卷积神经网络（CNN）和深度置信网络（DBN）。
TensorFlow 则还有更多的特点，如下：
- 支持所有流行语言，如 Python、C++、Java、R和Go。
- 可以在多种平台上工作，甚至是移动平台和分布式平台。
- 它受到所有云服务（AWS、Google和Azure）的支持。
- Keras——高级神经网络 API，已经与 TensorFlow 整合。
- 与 Torch/Theano 比较，TensorFlow 拥有更好的计算图表可视化。
- 允许模型部署到工业生产中，并且容易使用。
- 有非常好的社区支持。
- TensorFlow 不仅仅是一个软件库，它是一套包括 TensorFlow，TensorBoard 和 TensorServing 的软件。
谷歌 research 博客列出了全球一些使用 TensorFlow 开发的有趣项目：
- Google 翻译运用了 TensorFlow 和 TPU（Tensor Processing Units）。
- Project Magenta 能够使用强化学习模型生成音乐，运用了 TensorFlow。
- 澳大利亚海洋生物学家使用了 TensorFlow 来发现和理解濒临灭绝的海牛。
- 一位日本农民运用 TensorFlow 开发了一个应用程序，使用大小和形状等物理特性对黄瓜进行分类。
使用 TensorFlow 的项目还有很多。本教程旨在让读者理解 TensorFlow 在深度学习模型中的应用，使读者可以轻松地将模型用于数据集并开发有用的应用程序。每章包含一系列处理技术问题、依赖性、代码和解读的示例，在每章的最后，还有一个功能完善的深度学习模型。