機器學習需要這麼多矩陣運算，就交給張量(Tensor)吧

機器學習有一大部分的時間，主要在收集資料，整理資料，閱讀資料。
而不論使用監督式學習或是非監督式學習，資料都會被整理成數字(或數字衍生)的結構。
當整體量級達到一定的程度，尺度擴張(Scaling)就成為不可或缺的工作。
而為了能有效擴張，資料及運算圖就該被分成兩塊來處理了。
Google對此提出了張量(Tensor) + 流動(Flow)概念，就成為了現在大家所熟知的TensorFlow了。

TensorFlow從2015年被Google提出後，每年都呈現快速成長；目前已成為使用最為廣泛的機器/深度學習框架。

TensorFlow簡單描述

在PyTorch的窮追猛打之下，TensorFlow目前提供兩種使用情境：

1. Graph-Mode
2. Eager-Mode

我是新手，我該用什麼？

大家可以先觀察以下的TensorFlow繼承使用圖：

以目前tf.__version__ == 1.14的狀況，tf.estimator成為Google公司力推的高階控制API。
在本次Google提供的Coursera課程中，可以發現主要留在這層。
而實際使用的感想，不外乎越上面越偏向應用層面。
推薦有快速應用需求者，越偏向使用上層API；反之，如果本身提出的模型與現有主流模型有高度相異點，則必須往底層走喔。

如果還是在研究模擬領域，建議可以向下到Core TensorFlow (Python)修改即可。