聊完TensorFlow的由來，再來要瞭解的是TensorFlow的基本架構，這邊先引用我在查詢資料時找到的架構圖：

它的基本架構就是像這樣由下而上堆疊而成的，那麼分別做些簡單的介紹：

1. 處理器：
   大家比較熟知的處理器有中央處理器（CPU），也就是每台電腦的重要運算核心之一，還有圖形處理器（GPU），也就是愛打電動的宅宅們相當熟知的微處理器。比較鮮為人知的是張量處理器TPU（Tensor Processing Unit），它是Google為開發人工智慧技術所研製的晶片處理器，比GPU更加強大，但直到近年才開放部份對外銷售。

2. 平台：
   昨天有提到TensorFlow期望能適用於各個平台，其中包含常用的電腦作業系統Windows及Linux，兩大行動裝置系統iOS和Android，較為平價簡易的樹莓派（Raspberry Pi），甚至透過雲端執行，在不用修改程式碼的情況下，可以用這些不同平台執行深度學習的訓練。

3. TensorFlow分散式執行引擎（TensorFlow Distributed Execution Engine）：
   深度學習中最耗費時間的，即是模型的訓練，依模型大小和資料多寡，訓練時間也不同，比較大型的模型費時長則需數天至數週才能完成。若利用此分散式執行引擎，則可同時於多台機器上進行運算與訓練，大幅縮短所需時間。

4. 前端程式語言：
   TensorFlow可使用多種前端語言，但其中Python的程式碼較為簡明，且易學習、高生產，也方便應用在物件導向、函數式運算等方面，因此推薦大家在TensorFlow中使用Python語言。

5. 高階API：
   TensorFlow本身是屬於較低階的深度學習API，所以必須從底層開始做設計開發，層層向上堆疊，雖然自由度高，但是也費時費力。而現在已經有許多開發好的高階深度學習API（Ex：Keras、TF-Learn、...）提供我們使用，讓我們可以更輕鬆更簡潔的建構出完整的深度學習模型。

• 參考資料：
  TensorFlow+Keras深度學習人工智慧實務應用 — 林大貴著
  https://zh.wikipedia.org/wiki/%E5%BC%A0%E9%87%8F%E5%A4%84%E7%90%86%E5%8D%95%E5%85%83
  https://zh.wikipedia.org/wiki/%E6%A0%91%E8%8E%93%E6%B4%BE