一、TensorFlow架構
處理器：可以在CPU、GPU、TPU執行
平台：具跨平台能力，可以目前主流的平台執行。
TensorFlow Distributed Execution Engine(分散式執行引擎)：
深度學習中花最多時間的就是模型訓練，TensorFlow具備分散式運算能力，可以同時在數百台的機型訓練，大量縮短訓練時間。
前端語言：TensorFlow可以使用多種前端語言但對Python的支援最好。
高階API：TensorFlow 是較低階的深度學習API，所以臂瘀自行設計各種深度學習模型，缺點是開發需要更多程式碼，需要花更多時間。所以以TensorFlow為底層開發了很多高階API，如Keras。
二、TensorFlow簡介
TensorFlow由Tensor和Flow組成。
Tensor張量
在數學裡，張量是一種幾何實體，或是廣義上的數量，在此的數量包含純量相量和矩陣。零維的是純量一維的是向量，二維以上是矩陣。
Flow資料流程
TensorFlow的程式都是先建立計算圖，我們可以用TensorFlow提供的模組以不同的程式語言建立計算圖。可以設計張量運算流程，並建構各種深度學習或機器學習模型。建立計算圖完成後，就可以在不同平台執行計算圖。
三、TensorFlow程式設計模式
分為建立計算圖和執行計算圖。
建立計算圖：
使用TensorFlow提供的模組建立計算圖，建構各種深度學習或機器學習模型。
執行計算圖：
建立Session執行計算圖，在TensorFlow中Session的作用是在用戶端和執行裝置間建立連結。有了這個連結可將計算圖在不同裝置中執行，之後任何裝置間的資料傳遞都須透過Session。
四、Keras簡介
Keras使用起來的效率比TensorFlow好很多。Keras只處理模型建立訓練和預測，必須配合後端引擎進行運算。
五、Keras程式設計模式
Keras的程式設計就像是在做一個多層蛋糕。
建立Sequential模型
Sequential模型市多個神經網路層的線性堆疊。可以想像他是一個蛋糕架。
加入輸入層與隱藏層至模型
Keras已經內建各式神經網路層，只需在之前建立的模型上加入你選擇的網路層就好了，就像在蛋糕架中加入蛋糕層一樣簡單。
加入輸出層至模型
加入輸出層至模型就好像在加一層蛋糕。
六、Keras與TensorFlow的比較

資料來源：TensorFlow +keras深度學習人工智慧實務應用