迁移后的图片
自 2015 年 11 月发布起，TensorFlow 经历了多次的版本变化，如表所示。
TensorFlow 版本变化
时间 TensorFlow 版本 主要变化
2015 年 12 月
V0.6
TensorFlow 支持 GPU 加速
2016 年 12 月
V0.12
TensorFlow 支持 Windows
2017 年 2 月
V1.0
加入和改进了一些高级 API，包括 Keras
2017 年 11 月
V1.5
增加了动态图机制和用于移动端的轻量级 TensorFlow Lite 版本
2018 年 5 月
V1.6
增加了支持 Cloud TPU、模型和 pipeline 功能
2018 年 6 月
V1.8
增加了 TensorFlow 的分布式训练功能
2019 年 3 月
V2.0 Alpha
使用 Keras 和 Eager Execution 可以轻松建立简单的模型并执行，
通过清除不推荐使用的 API 和减少重复来简化 API
为了让读者更好地理解 TensorFlow，下面从 3 个不同的角度对其进行分析。
（1）TensorFlow 的计算模型为计算图（Graph），TensorFlow 的名字本身由两个单词构成，即 Tensor
和 Flow。Tensor 指的是张量，在 TensorFlow 中，Tensor 可以简单地理解为多维数组，而 Flow 翻译过来是
“流”，表达了张量之间通过计算进行相互转换的含义。在 TensorFlow 中，每一个运算都是一个节点，在整体代
码中，系统会维护一个默认的计算图。
（2）TensorFlow 的数据模型为张量（Tensor），在 TensorFlow 中，所有的数据类型都表示为张量。张量
是一个多维数组，如果直接打印某一个张量，并不会像打印 List 或 NumPy 一样输出它的值，而是会得到一个
结构，结构中包括该张量的名称、维度和类型。
（3）TensorFlow 的运行模型为会话（Session），在 TensorFlow 中，有了数据模型以及计算模型后，在代
码执行过程中需要使用会话，会话负责管理代码运行时的所有资源。如果没有指定，会话将会自动加入系统
生成的默认计算图中，执行其中的运算。
3.1.2 分布式 TensorFlow
如果一台计算机上有很多 GPU，那么通过 GPU 并行运算的方式可以得到很好的加速效果。但是一台计算
机可携带的 GPU 毕竟有限，要想进一步提升速度，可以将 TensorFlow 分布地运行在多台机器上。2016 年 4 月
14 日，Google 发布了分布式 TensorFlow。
分布式 TensorFlow 有一些基本概念，下面对其进行介绍。
4
