此文檔對關(guān)于TensorFlow的一些常見問題提供了答案，如果這里沒有你問題的答案，你可能會在社區(qū)資源中找到它。
c = tf.matmul(a, b) 不立即執(zhí)行矩陣相乘？ 在 TensorFlow 的 Python API 中, a, b, and c 都是
Tensor 對象. 一個 Tensor 對象是一個操作(operation)結(jié)果的字符別名,它實際上并不儲存操作(operation)輸出結(jié)果的值。
TensorFlow 鼓勵用戶去建立復(fù)雜的表達式（如整個神經(jīng)網(wǎng)絡(luò)及其梯度）來形成 data flow graph 。
然后你可以將整個 data flow graph 的計算過程交給一個 TensorFlow 的 Session,
此 Session 可以運行整個計算過程，比起操作(operations)一條一條的執(zhí)行效率高的多。
對CPU設(shè)備而言，支持的設(shè)備名是"/device:CPU:0" (或 "/cup:0")，對第 i 個 GPU 設(shè)備是"/device:GPU:i" (或 "/gpu:i")
在 with tf.device(name): context 中創(chuàng)建操作(operation)，這樣可以在指定的設(shè)備上運行操作(operation)。
關(guān)于 TensorFlow 怎樣將操作(operations)分配給設(shè)備的細節(jié)，參看 TensorFlow使用 GPU ; 使用多 GPU 的示范實例參看 CIFAR-10 教程。
TensorFlow 支持許多種不同的數(shù)據(jù)類型和 tensor shape ，更多細節(jié)請參看 ranks, shapes, and type reference
Feeding 是 TensorFlow Session API 的一種機制，它允許你在運行時用不同的值替換一個或多個 tensor 的值。
Session.run() 的參數(shù) feed_dict 是一個字典，
它將 Tensor 對象映射為 numpy 的數(shù)組（和一些其他類型）。
在執(zhí)行 step 時，這些數(shù)組就是 tensor 的值。
你常會碰到某些 tensor 總是有值的，比如 inputs。 tf.placeholder() 操作(operation)允許你定義一種必須提供值的 tensor ，你也可以隨意限定它們的 shape。關(guān)于如何使用 placelolders 和 feeding 為神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練數(shù)據(jù)的例子，請參看初學(xué)者的 MNIST 教程
Session.run() 和 Tensor.eval() 有什么區(qū)別？ 如果 t 是一個 Tensor 對象， t.eval() 就是 sess.run(t) （sess 是當(dāng)前默認(rèn) session）的簡寫。
以下兩段小程序是等效的：
# 使用 `Session.run()`.
sess = tf.Session()
c = tf.constant(5.0)
print sess.run(c)
# 使用 `Tensor.eval()`.
c = tf.constant(5.0)
with tf.Session():
print c.eval()在第二個例子中， session 的作用就象 context manager ， context manager 在 with 塊的生存期，將 session 作為默認(rèn)的 session。對簡單應(yīng)用的情形（如單元測試），context manager 的方法可以得到更簡潔的代碼； 如果你的代碼要處理多個 graph 和 session ，更直白的方式可能是顯式調(diào)用 Session.run()。
Session 能夠占有資源，例如 variables，queues, 和
readers; 這些資源會使用相當(dāng)大量的內(nèi)存。 當(dāng)調(diào)用Session.close() 關(guān)閉 session 后，這些資源（和相關(guān)的內(nèi)存）就被釋放了。
作為調(diào)用 Session.run() 過程的一部分所創(chuàng)建的 tensors, 會在調(diào)用時或調(diào)用結(jié)束前釋放。
最初的 TensorFlow 開源版本支持單一計算機內(nèi)的多設(shè)備（CPUs 和 GPUs）。 我們也正在致力于一個分布式的版本：如果你有興趣，請告知我們，這樣我們可以做相應(yīng)的調(diào)整。
TensorFlow 運行時會在許多不同的層面(dimensions)并行圖的執(zhí)行(graph execution)：
TensorFlow 被設(shè)計成為支持多種客戶端語言。當(dāng)前支持最好的客戶端語言是 Python。 C++ 客戶端 API 提供了啟動 graph 和運行 steps 的接口； 我們還有一個 用 C++ 建立 graph 的 API，此 API 是實驗性的。
從社區(qū)的利益出發(fā)，我們想要支持更多的客戶端語言。 TensorFlow 有一個 基于 C 的客戶端 API，它使得用許多不同的語言創(chuàng)建客戶端變得很容易。我們請大家在新語言綁定上做出努力。
TensorFlow 支持多 GPU 和 CPU。 有關(guān) TensorFlow 如何將操作(operations)分配到設(shè)備的細節(jié)請參看 TensorFlow 如何使用 GPUs 的文檔，有關(guān)使用多 GPU 的示范實例請參看 CIFAR-10 教程
請注意， TensorFlow 只使用計算能力(compute capability)大于 3.5 的 GPU 設(shè)備。
Session.run() 會掛起？ reader 類和 queue 類提供特殊的操作(operations)，這些操作(operations)在有可用的輸入(對有界隊列則是空閑空間)前會 阻塞 。使用這些操作(operations)你可以創(chuàng)建復(fù)雜的輸入流水線(input pipelines) ,不過，這會使 TensorFlow 的計算過程更復(fù)雜。有關(guān)如何使用這些操作(operations)的更多信息請參看 how-to 文檔中的使用 QueueRunner 對象來控制 queues 和 readers。
參看 Variables 和 變量作用域 的 how-to 文檔，還有關(guān)于變量的 API 文檔
在某一 session 中，當(dāng)你一開始運行 tf.Variable.initializer 操作(operation)時，變量就會被創(chuàng)建。此 session 關(guān)閉后它就被摧毀(destroyed)了。
變量可以進行并發(fā)的讀和寫操作(operation)。由于變量是并發(fā)(concurrently)更新的， 所以從一個變量中讀出的值可能會改變。在不互斥的條件下，對一個變量的并發(fā)的許多賦值操作(operation)是默認(rèn)允許運行的。在對一個變量賦值時，如果想要加鎖，可以將 use_locking=True 傳遞給 Variable.assign()。
在 TensorFlow 中，一個 tensor 具備靜態(tài)和動態(tài)兩種 shape 。靜態(tài)的 shape 可以用 tf.Tensor.get_shape() 方法讀出：這種 shape 是由此 tensor 在創(chuàng)建時使用的操作(operations)推導(dǎo)得出的，可能是 partially complete 的。如果靜態(tài) shape 沒有完整定義(not fully defined)的話，則一個 tensor 的動態(tài) shape 可通過求 tf.shape(t) 的值得到。
x.set_shape() 和 x = tf.reshape(x) 有什么區(qū)別？ tf.Tensor.set_shape() 方法(method)會更新(updates)一個 Tensor 對象的靜態(tài) shape ，當(dāng)靜態(tài) shape 信息不能夠直接推導(dǎo)得出的時候，此方法常用來提供額外的 shape 信息。它不改變此 tensor 動態(tài) shape 的信息。
tf.reshape() 操作(operation)會以不同的動態(tài) shape 創(chuàng)建一個新的 tensor。
如果能夠創(chuàng)建一個 graph ，在批次大小可變(variable batch sizes)的情形下也可以正常運作將會是十分有用的，例如可以使用相同的代碼完成（?。┡坑?xùn)練((mini-)batch training)和單例推導(dǎo)(single-instance inference)。這樣生成的 graph 可以保存起來當(dāng)作協(xié)議緩存(protocol buffer)，也可以導(dǎo)入至其他的程序。
創(chuàng)建一個可變大小的 graph 時，要記住最重要的事情是不要將批次大小(batch size)編碼成為 Python 常數(shù)，而是用一個字符性(symbolic)的 Tensor 來表示。下面的提示可能會有用：
用 batch_size = tf.shape(input)[0] 從一個叫 input 的 Tensor 提取批次的維度(batch dimention)，再將其存入一個名為 batch_size 的 Tensor 。
用 tf.reduce_mean() 而不是 tf.reduce_sum(...) / batch_size。
tf.placeholder(..., shape=[None, ...]) 通過創(chuàng)建 placeholder 來具體指定一個可變的批次維度(variable batch dimention)。shape 的 None 元素與可變大小的維度(a variable-sized dimension)相對應(yīng)。參看 graph 的視覺化教程.
給你的 TensorFlow graph 增加 summary 操作(ops)，接著用 SummaryWriter 將這些 summaries 寫入一個 log directory。然后用以下命令啟動 TensorBoard 。
`python tensorflow/tensorboard/tensorboard.py --logdir=path/to/log-directory`更多細節(jié)請參看 Summaries 和 TensorBoard 教程。
參看有關(guān)向 TensorFlow 添加新操作(oprations) 的 how-to 文檔。
有兩種主要的操作(operation)來處理自定義格式的數(shù)據(jù)。
較簡單的方法：用 Python 編寫一段分詞的代碼(parsing code)，將數(shù)據(jù)轉(zhuǎn)換成為 numpy array，然后用此數(shù)據(jù)把一個 [tf.placeholder()]
(../api_docs/python/io_ops.md#placeholder) 傳送給一個 tensor 。更多的細節(jié)參見 使用 placeholders 進行輸入 的相關(guān)文檔。這個方法比較容易實現(xiàn)，不過分詞的部分會成為性能的瓶頸。
更高效的方法是添加一個用 C++ 編寫的操作(op)，用這個操作(operation)來對你的數(shù)據(jù)格式進行分詞(parse)。 新數(shù)據(jù)格式處理指南中有更多相關(guān)步驟的信息。
TensorFlow 的操作(operation)注冊機制允許你定義幾種輸入：單獨的 tensor，一列相同類型的 tensors (例如把一個可變長列表中的 tensors 相加)， 一列不同類型的 tensors (例如將一個 tuple 中的 tensors 入隊(enqueue))。有關(guān)怎樣定義這些不同的輸入類型的更多細節(jié)，請參看添加具有一列輸入或輸出的操作(op)的相關(guān)文檔。
我們只用 Python 2.7 進行了測試。我們了解對 Python 3 的兼容性來說，還需要有一些修改，歡迎大家朝這個方向多努力。
TensorFlow Python API 遵循 PEP8 慣例。
* 特別的，我們使用 CamelCase 格式作為類名， snake_case 格式作為方程名， 方法名， 和屬性名。我們也遵循
Google Python style guide。
TensorFlow C++ 代碼遵循 Google C++ style guide。
(* 有一條例外: 我們使用 2 空格縮進而不是 4 空格縮進)
原文：Frequently Asked Questions 翻譯：Terence Cooper 校對：Wiki
掃碼關(guān)注鍍金池微信號
手機訂課，優(yōu)惠多多