TensorFlow是编程语言Python，C++，CUDA。

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。

扩展资料：

TensorFlow的核心组件：

分布式TensorFlow的核心组件（core runtime）包括：分发中心（distributed master）、执行器（dataflow executor/worker service）、内核应用（kernel implementation）和最底端的设备层（device layer）/网络层（networking layer）。

分发中心从输入的数据流图中剪取子图（subgraph），将其划分为操作片段并启动执行器。分发中心处理数据流图时会进行预设定的操作优化，包括公共子表达式消去（common subexpression elimination）、常量折叠（constant folding）等。

执行器负责图操作（graph operation）在进程和设备中的运行、收发其它执行器的结果。分布式TensorFlow拥有参数器（parameter server）以汇总和更新其它执行器返回的模型参数。执行器在调度本地设备时会选择进行并行计算和GPU加速。

TensorFlow的安装：

语言与系统支持

1、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。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。

2、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。

参考资料来源：百度百科-TensorFlow

MXNet有两个主要的进程server和worker,worker之间不能进行通信,只能通过server互相影响。Tensorflow有worker,server,client三种进程,worker是可以相互通信的,可以根据op的依赖关系主动收发数据。MXNet常用来做数据并行,每个GPU设备上包含了计算图中所有的op,而Tensorflow可以由用户指定op的放置,一般情况下一个GPU设备负责某个和几个op的训练任务。

tensorflow是一个通过计算图的形式来表述计算的编程系统，可以把计算图看做一种有向图，tf中每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系

1、在营销上

可口可乐在客户忠诚度计划中应用TensorFlow作为营销手段。可口可乐在瓶盖背面打印了14位代码，并创建了一个能使用TensorFlow来轻松识别数字，顺利创建购买证明的机器学习系统。至今已经促成16次推广活动、超过180,000个代码被扫描。

2、在农业上

荷兰公司Connecterra运用TensorFlow打造了一款人称＂奶牛手环＂的穿戴装置。透过机器学习，Connecterra能够在问题发生初期就做出诊断、提供建议，助力农夫维持奶牛健康。

这套可以连结到移动应用＂Ida“上的传感器，能分析奶牛的动向，提供农夫关键资讯去了解奶牛何时生病、何时需要特别关照、需要何种关照，以便让奶牛在健康的情况下更好的生产。

3、在电信服务上

中国电信营业厅APP搭建神经网络来学会认识电信充值卡。最终达到在逆光、抖动、数字严重遮挡的情况下依然可以轻松识别，模型训练的成功率为99.3%，完成一次识别耗时0.05秒。

如今在农村／年长人群／2线以下城市，仍有35%的人在进行充值卡充值，平均每天更有高达十几万人通过手机APP进行充值卡充值。通过拍照识别充值卡的方式，解决了在互联网时代被忽略的需求，真正的使AI普惠于民。

4、在移动端应用上

Kika通过TensorFlow Lite做了一个嵌入式的智能手机输入法，使内存的占用减少近50%。响应速度提升一倍，语音理解准确度也得到了升级。

新浪移动是另一个例子，他们使用TensorFlow创建了一个系统，让他们的用户仅仅通过拍照的形式，就可以识别很多车的品牌。利用TensorFlow，他们的模型体积缩小到四分之一，运算效率提升了4倍，识别准确率提升了85%。

5、其他的例子

利用TensorFlow搭建自己的AI、机器学习平台。比如说京东、腾讯、阿里、网易、美团、小米等公司。他们使用TensorFlow解决了各种不同的问题，从计算机视觉、自然语言处理到推荐预测等等。

6、在环境保护方面

在亚马逊的热带雨林，工程师科学家建立了一个用移动设备的实时检测和警报系统，来监控树木的非法砍伐。

7、在医疗领域

在探索如何应用AI使病理学家更好的诊断癌症。

8、在农业领域

IITA基于TensorFlow开发了一套帮助农民检测及管理虫害的方案，使5亿非洲人民免于虫灾饥荒。

很多神经网络框架已开源多年，支持机器学习和人工智能的专有解决方案也有很多。多年以来，开发人员在Github上发布了一系列的可以支持图像、手写字、视频、语音识别、自然语言处理、物体检测的机器学习框架，但并没有一种框架可以完美地解决你所有的需求。那么该如何选择最适合你的开源框架呢？希望下面带有描述的图表以及分析可以带给你以启发，以此来选择最适合你的业务需求的框架。下图总结了绝大多数Github上的开源深度学习框架项目，根据项目在Github的Star数量来评级，数据采集于2017年5月初。图片描述TensorFlowTensorFlow框架的前身是Google的DistBelief V2，是谷歌大脑项目的深度网络工具库，一些人认为TensorFlow是借鉴Theano重构的。Tensorflow一经开源，马上引起了大量开发者的跟进。Tensorflow广泛支持包括图像、手写字、语音识别、预测和自然语言处理等大量功能。TensorFlow遵循Apache 2.0开源协议。TensorFlow在2017年2月15号发布了其1.0版本，这个版本是对先前八个不完善版本的整合。以下是TensorFlow取得成功的一些列原因：TensorFLow提供这些工具：TensorBroad是一个设计优良的可视化网络构建和展示工具；TensorFlow Serving通过保持相同的服务器架构和API，可以方便地配置新算法和环境。TensorFlow Serving 还提供开箱即用的模型，并且可以轻松扩展以支持其他的模型和数据。TensorFlow编程接口包括Python和C++，Java，Go，R和Haskell语言的接口也在alpha版中支持。另外，TensorFlow还支持谷歌和亚马逊的云环境。TensorFlow的0.12版本支持Windows 7, 8， Server 2016系统。由于采用C++ Eigen库，TensorFlow类库可以在ARM架构平台上编译和优化。这意味着你可以不需要额外实现模型解码器或者Python解释器就可以在多种服务器和移动设备上部署训练好的模型。TensorFlow提供细致的网络层使用户可以构建新的复杂的层结构而不需要自己从底层实现它们。子图允许用户查看和恢复图的任意边的数据。这对复杂计算的Debug非常有用。分布式TensorFlow在0.8版本推出，提供了并行计算支持，可以让模型的不同 部分在不同设备上并行训练。TensorFlow在斯坦福大学，伯克利学院，多伦多大学和Udacity（2016年3月成立的在线学校）均有教学。TensorFlow的缺点有：每个计算流必须构建成图，没有符号循环，这样使得一些计算变得困难；没有三维卷积，因此无法做视频识别；即便已经比原有版本（0.5）快了58倍，但执行性能仍然不及它的竞争者。CaffeCaffe是贾扬清的作品，目前，贾扬清是Facebook AI平台的Lead。始于2013年末，Caffe可能是第一个主流的工业级的深度学习工具包。Caffe具有卓越的卷积模型，是计算机视觉领域最受欢迎的工具之一，且2014年ImageNet 大赛的获奖作品使用的就是Caffe框架。Caffe遵循BSD 2-Clasuse 协议。Caffe的高速使得它非常适合于科研和商业领域。利用一个NVIDIA K40 GPU，Caffe可以每天处理60M张图片，即推断1毫秒一张，训练4毫秒一张。使用最新的版本，甚至可以更快。Caffe底层是用C++实现的，可以在各种设备上编译。Caffe是跨平台的并且提供Windows接口，它提供C++，Python和Matlab语言接口。Caffe拥有着庞大的用户社区，并且有大量深度网络模型在社区上贡献，被称为“Model Zoo”。其中，AlexNet和GoogleNet是最著名的两个。Caffe是视觉识别的流行框架，然而Caffe不提供像TensorFlow，CNTK或Theano一样细粒度的层结构。你必须编写底层代码来构建复杂的层结构。由于它的固有架构，Caffe对循环网络和语言模型的支持不力。Caffe2贾扬清和他的团队目前在Facebook致力于Caffe2的研发。2017年4月18号，Facebook基于BSD协议开源了Caffe2。Caffe2聚焦于模块化，在移动设备和大规模部署均表现出色。和TensorFlow一样，Caffe2页使用C++ Eigen以支持ARM架构。Caffe的模型可以通过脚本轻松转化成Caffe2模型。Caffe在设计上的倾向使得它特别适合视觉相关的问题，Caffe2沿袭了它对视觉问题的强大支持，同时还加入了RNN和LSTM以更好地支持自然语言处理，手写字识别和时间序列预测。可以预见在不远的将来Caffe2将会替代Caffe在深度学习社区的地位。Microsoft Cognitive ToolkitMicrosoft Cognitive Toolkit(CNTK)设计的初衷是用于语音识别领域。CNTK支持RNN（循环神经网络）和CNN（卷积神经网络），因此他有能力胜任图像、手写字和语音识别问题。CNTK支持64位Linux和Windows系统，提供Python和C++语言接口，遵循MIT协议。CNTK与TensorFlow和Theano有着类似的设计理念——把网络定义成向量操作的语义图，向量操作例如矩阵加法、矩阵乘法以及卷积。同时，CNTK也提供细粒度的网络层设计，允许用户使用它们设计新的复杂网络。和Caffe一样，CNTK底层也是C++实现并具有跨平台CPU/GPU支持。搭载在Azure GPU Lab上，CNTK能发挥出最高的分布式计算性能。目前，CNTK由于不支持ARM架构，限制了其在移动端的应用。MXNetMXNet源自于卡内基梅隆大学和华盛顿大学。MXNet是一个极具特色，可编程，可扩展的深度学习框架。MXNet可以混合多种语言的模型和代码，包括Python, C++, R, Scala, Julia, Matlab, JavaScript。2017年1月30号，MXNet被纳为Apache基金会孵化项目。MXNet支持CNN、RNN、LSTM, 提供对图像，手写字，语音识别，预测和自然语言问题的强大支持。有人认为，MXNet是世界上最好的图像分类器。MXNet具有出色的可扩展性，例如GPU并行计算，存储映像，高速开发和可移植性。另外，MXNet可以和Apache Hadoop YARN结合，YARN是一个通用分布式应用管理框架，这一特性使得MXNet成为TensorFlow的竞争者。MXNet的一个独特之处是它是少有的几个支持对抗生成网络（GAN）的框架之一。这个模型被用于实验经济学方法中的“纳什均衡”。另一个特殊之处是，亚马逊的CTO Werner Vogels宣布了对MXNet的支持：“今天，我们宣布MXNet将成为亚马逊的深度学习框架选择。我们将在现有和未来将出现的服务中使用MXNet。”苹果公司的部分传闻也表示该公司将会使用MXNet作为其深度学习框架。TorchTorch由Facebook的Royan Collobert、Soumith Chintala、曾任于Twitter现任于Nvidia的Clement Farabet和Google Deep Mind 的Koray Kavukcuoglu共同开发。其主要贡献者是Facebook、Twitter和Nvidia。 Torch遵守BSD 3 clause 开源协议。然而，Facebook近期宣布将转向Caffe2作为其首选深度学习框架因为它支持移动设备开发。Torch由Lua语言实现，Lua是一种小众语言，因此若你不熟悉这门语言，会影响到整个工作的效率。Torch缺少像TensorFlow、MXNet on YARN和Deeplearning4J那样的的分布式支持，缺少多种语言接口同样限制了它的受众。DeepLearning4JDeepLearning4J（DL4J）是基于Apache 2.0协议的分布式开源神经网络类库，它由Java和Scala实现。DL4J是SkyMind的Adam Gibson开发的，它是唯一的商品级深度学习网络，可以和Hadoop、Spark结合构建多用户多线程服务。DL4J是唯一使用Map-Reduce训练网络而使用其他类库进行大规模矩阵操作的框架。DL4J拥有内建的GPU支持，这一重要特性能够支持YARN上的训练过程。DL4J拥有丰富的深度神经网络架构支持，包括RBM，DBN，CNN，RNN，RNTN和LSTM。DL4J还支持一个向量计算库——Canova。由于是由Java实现，DL4J先天比Python块，它使用多GPU执行图像识别任务和Caffe一样快。该框架可以出色完成图像识别，欺诈检测和自然语言处理任务。TheanoTheano主要由蒙特利尔大学学习算法研究所（MILA）创立。Yoshua Bengio是Theano的开创者，同时领导这个实验室，该实验室在深度学习研究领域做出巨大的贡献，培养出约100名相关学生和从业者。Theano支持高效机器学习算法的快速开发，遵守BSD开源协议。Theano不像TensorFlow那样优雅，但它提供了支持循环控制（被称为scan）的API，可以轻松实现RNN。Theano提供多种支持手写字识别、图像分类（包括医学图像）的卷积模型。Theano还提供三维卷积和池化用于视频分类。在语言方面，Theano能胜任例如理解、翻译和生成等自然语言处理任务。Theano还支持生成对抗网络（GAN），GAN即是由MILA的一位学生提出的。Theano支持多GPU并行计算并且自带分布式框架。Theano只支持一种开发语言，比TensorFlow速度快很多，是一种学术研究的有力工具。然而，其不支持移动平台以及没有多种语言接口的缺陷限制了它在企业的广泛应用。开源与专利软件之争随着深度学习逐渐成熟，可以预知到我们将见证TensorFlow，Caffe2和MXNet的竞赛。同时，软件供应商也在提供先进的AI产品使你从数据中获取更多价值。问题是：你会购买带有专利的AI产品还是使用开源框架。如果使用开源框架，你将会面临哪种框架最适合你的问题的选择困难。而选择专利软件，你又将怎样制定退出策略？任何一种选择都需要长远考虑。

tensorflow是深度学习框架，可以看作一个深度学习的库，里面有深度学习相关的各种结构和函数；opencv是开源计算机视觉库，用于进行图像处理。

Tensorflow是用数据流图来进行数值计算的,而数据流图是描述有向图的数值计算过程。在有向图中,节点表示为数学运算,边表示传输多维数据,节点也可以被分配到计算设备上从而并行的执行操作。它是用数据流图来进行数值计算的,而数据流图是描述有向图的数值计算过程。在有向图中,节点表示为数学运算,边表示传输多维数据,节点也可以被分配到计算设备上从而并行的执行操作。

Linux【公共基础】：TensorFlow的主要运行平台之一就是Linux，但是正式版对Windows的支持日趋完善，真的没时间学习Linux平台可以先在Windows上运行TensorFlow。不过，学习Linux真的用不了多久（当然是指做开发环境日常日用，立志做系统管理员还是要下一番功夫的）。推荐Ubuntu 16.04 LTS，这不仅是“新手友好”的发行版，也是Google很多产品的官方支持版本，官方支持就会带来很多便捷以及少一些”坑“。LTS（长期支持版本）的加成保证了系统的稳定（稳定不仅指运行稳定，更是指软件环境，例如python不会突然默认变成3.6，gcc不会突然就默认变成6，插一句，之所以这么说，是因为以前用的是Arch，装了TensorFlow一直跑的很开心，直到有天突然发现跑不起来了，原来是Arch升级了一下Python的默认版本变成了3.6了XD。）

MT7628NN核心板，RTL8723BU核心板行车记录仪、运动DV、投影仪可用到我司的WIFI模块产品有以下：联发科（MTK）系列：USB网卡：TML1505C-MT7601系列；瑞昱（Realtek）系列：USB接口：TML1510EU-RTL8188EUS系列； TML1511A-RTL8188ETV系列；TML1515A-RTL8188FTV系列；SDIO接口：TML1516A-RTL8189ETV系列；TML1517A-RTL8189FTV系列；TML1512A-RTL8189ES系列；WIFI+BT蓝牙：TML1509A-RTL8723BS系列；TML1509BU-RTL8723BU系列。