TensorFlow Docs 是由掘金翻译计划实时维护的 TensorFlow 官方文档中文版，维护者为全球各大公司开发人员和各著名高校研究者及学生。欢迎大家加入维护团队，欢迎提 Issue 和 PR，参与之前请阅读文档维护说明。
- 译者团队正在向 TensorFlow V1.7 官方中文文档更新
- 推荐学习顺序等更多内容详见：TensorFlow Docs WIKI
- 相关术语表：TensorFlow 术语表，人工智能术语表
- 掘金翻译计划欢迎大家的加入，详见 👉 加入我们
Documentation |
Linux CPU |
Linux GPU |
Mac OS CPU |
Windows CPU |
Android |
|---|---|---|---|---|---|
 |
 |
TensorFlow 是一个使用数据流图进行数值计算开源软件库。 图的节点表示数学运算，节点之间的边表示流动的多维数据数组（张量）。 这种灵活的架构允许你在无需重写代码的情况下，将计算在桌面端、服务端或移动端部署到一个或多个 CPU 和 GPU 中。 TensorFlow 还包含 TensorBoard，它是一个数据可视化工具包。
TensorFlow 最初由 Google 机器智能研究机构内的 Google Brain 团队的研究人员和工程师开发，用于进行机器学习和深度神经网络研究。 此系统一般足以适用于各种其他领域。
在 安装 TensorFlow 页面中查看关于稳定二进制版的安装或从源码安装的安装步骤。
喜欢挑战的人也可以尝试我们的开发版：
开发版 pip 包
- 我们非常高兴发布 TensorFlow 的开发版，现在 pypi 提供开发版的 pip 包 tf-nightly 和
tf-nightly-gpu 项目。在干净的环境中简单运行
pip install tf-nightly或pip install tf-nightly-gpu即可安装 TensorFlow 开发版。 我们为 Linux、Mac 和 Windows 提供 CPU 和 GPU 支持。
独立的 whl 文件
- Linux CPU-only: Python 2 (构建历史) / Python 3.4 (构建历史) / Python 3.5 (构建历史) / Python 3.6 (构建历史)
- Linux GPU: Python 2 (构建历史) / Python 3.4 (构建历史) / Python 3.5 (构建历史) / Python 3.6 (构建历史)
- Mac CPU-only: Python 2 (构建历史) / Python 3 (构建历史)
- Windows CPU-only: Python 3.5 64-bit (构建历史) / Python 3.6 64-bit (构建历史)
- Windows GPU: Python 3.5 64-bit (构建历史) / Python 3.6 64-bit (构建历史)
- Android: demo APK, native libs (构建历史)
$ python>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> sess.run(hello)
'Hello, TensorFlow!'
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> sess.run(a + b)
42
>>> sess.close()如果你想参与贡献 TensorFlow，请先查看我们的 贡献指南。此项目遵循 TensorFlow 项目规范。我们期望你能遵循此规范。
我们还使用 GitHub issues 来跟进 requests 和 bugs。对于一般性问题和讨论请查看 TensorFlow 讨论，或直接在 Stack Overflow 提问。
TensorFlow 项目致力于遵守开源软件开发中普遍接受的最佳实践：
你可以在 tensorflow.org 社区页 了解更多关于参与 TensorFlow 社区的方法。
 LeviDing 👀 🌍 📋 |
 pkuwwt 👀 🌍 |
 John Jiang 👀 🌍 |
 lsvih 👀 🌍 |
 foxxnuaa 👀 🌍 |
 changkun 👀 🌍 |
|---|
阅读更多文章或与更多开发者交流请到掘金，关注感兴趣的标签，订阅相关领域实时动态。
了解更多人工智能知识请前往景略集智，想从零开始学习人工智能请前往景略集智 AI 课堂。
文档正在完善中，未经允许禁止任何形式的转载。