此文档对关于TensorFlow的一些常见问题提供了答案，如果这里没有你问题的答案，你可能会在社区资源中找到它。
在 TensorFlow 的 Python API 中, a, b, and c 都是
Tensor 对象. 一个 Tensor 对象是一个操作(operation)结果的字符别名,它实际上并不储存操作(operation)输出结果的值。
TensorFlow 鼓励用户去建立复杂的表达式（如整个神经网络及其梯度）来形成 data flow graph 。
然后你可以将整个 data flow graph 的计算过程交给一个 TensorFlow 的 Session,
此 Session 可以运行整个计算过程，比起操作(operations)一条一条的执行效率高的多。
对CPU设备而言，支持的设备名是"/device:CPU:0" (或 "/cup:0")，对第 i 个 GPU 设备是"/device:GPU:i" (或 "/gpu:i")
在 with tf.device(name): context 中创建操作(operation)，这样可以在指定的设备上运行操作(operation)。
关于 TensorFlow 怎样将操作(operations)分配给设备的细节，参看 TensorFlow使用 GPU ; 使用多 GPU 的示范实例参看 CIFAR-10 教程。
TensorFlow 支持许多种不同的数据类型和 tensor shape ，更多细节请参看 ranks, shapes, and type reference
Feeding 是 TensorFlow Session API 的一种机制，它允许你在运行时用不同的值替换一个或多个 tensor 的值。
Session.run() 的参数 feed_dict 是一个字典，
它将 Tensor 对象映射为 numpy 的数组（和一些其他类型）。
在执行 step 时，这些数组就是 tensor 的值。
你常会碰到某些 tensor 总是有值的，比如 inputs。 tf.placeholder() 操作(operation)允许你定义一种必须提供值的 tensor ，你也可以随意限定它们的 shape。关于如何使用 placelolders 和 feeding 为神经网络提供训练数据的例子，请参看初学者的 MNIST 教程
如果 t 是一个 Tensor 对象， t.eval() 就是 sess.run(t) （sess 是当前默认 session）的简写。
以下两段小程序是等效的：
# 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()在第二个例子中， session 的作用就象 context manager ， context manager 在 with 块的生存期，将 session 作为默认的 session。对简单应用的情形（如单元测试），context manager 的方法可以得到更简洁的代码； 如果你的代码要处理多个 graph 和 session ，更直白的方式可能是显式调用 Session.run()。
Session 能够占有资源，例如 variables，queues, 和
readers; 这些资源会使用相当大量的内存。 当调用Session.close() 关闭 session 后，这些资源（和相关的内存）就被释放了。
作为调用 Session.run() 过程的一部分所创建的 tensors, 会在调用时或调用结束前释放。
最初的 TensorFlow 开源版本支持单一计算机内的多设备（CPUs 和 GPUs）。 我们也正在致力于一个分布式的版本：如果你有兴趣，请告知我们，这样我们可以做相应的调整。
TensorFlow 运行时会在许多不同的层面(dimensions)并行图的执行(graph execution)：
- 在一个CPU中用多核或是一个GPU中用多线程来并行许多单独的操作(operation)。
- 在 TensorFlow graph 中各个独立的节点可以在多个设备上并行，这样就提供了加速的可能。CIFAR-10 用多 GPU 训练.
- Session API 允许并行执行多并发的 steps （如 调用 Session.run()）。 如果单一的 step 不使用你计算机中所有的资源，这种方法可以使运行时有更高的吞吐量。
TensorFlow 被设计成为支持多种客户端语言。当前支持最好的客户端语言是 Python。 C++ 客户端 API 提供了启动 graph 和运行 steps 的接口； 我们还有一个 用 C++ 建立 graph 的 API，此 API 是实验性的。
从社区的利益出发，我们想要支持更多的客户端语言。 TensorFlow 有一个 基于 C 的客户端 API，它使得用许多不同的语言创建客户端变得很容易。我们请大家在新语言绑定上做出努力。
TensorFlow 支持多 GPU 和 CPU。 有关 TensorFlow 如何将操作(operations)分配到设备的细节请参看 TensorFlow 如何使用 GPUs 的文档，有关使用多 GPU 的示范实例请参看 CIFAR-10 教程
请注意， TensorFlow 只使用计算能力(compute capability)大于 3.5 的 GPU 设备。
reader 类和 queue 类提供特殊的操作(operations)，这些操作(operations)在有可用的输入(对有界队列则是空闲空间)前会 阻塞 。使用这些操作(operations)你可以创建复杂的输入流水线(input pipelines) ,不过，这会使 TensorFlow 的计算过程更复杂。有关如何使用这些操作(operations)的更多信息请参看 how-to 文档中的使用 QueueRunner 对象来控制 queues 和 readers。
参看 Variables 和 变量作用域 的 how-to 文档，还有关于变量的 API 文档
在某一 session 中，当你一开始运行 tf.Variable.initializer 操作(operation)时，变量就会被创建。此 session 关闭后它就被摧毁(destroyed)了。
变量可以进行并发的读和写操作(operation)。由于变量是并发(concurrently)更新的， 所以从一个变量中读出的值可能会改变。在不互斥的条件下，对一个变量的并发的许多赋值操作(operation)是默认允许运行的。在对一个变量赋值时，如果想要加锁，可以将 use_locking=True 传递给 Variable.assign()。
在 TensorFlow 中，一个 tensor 具备静态和动态两种 shape 。静态的 shape 可以用 tf.Tensor.get_shape() 方法读出：这种 shape 是由此 tensor 在创建时使用的操作(operations)推导得出的，可能是 partially complete 的。如果静态 shape 没有完整定义(not fully defined)的话，则一个 tensor 的动态 shape 可通过求 tf.shape(t) 的值得到。
tf.Tensor.set_shape() 方法(method)会更新(updates)一个 Tensor 对象的静态 shape ，当静态 shape 信息不能够直接推导得出的时候，此方法常用来提供额外的 shape 信息。它不改变此 tensor 动态 shape 的信息。
tf.reshape() 操作(operation)会以不同的动态 shape 创建一个新的 tensor。
如果能够创建一个 graph ，在批次大小可变(variable batch sizes)的情形下也可以正常运作将会是十分有用的，例如可以使用相同的代码完成（小）批量训练((mini-)batch training)和单例推导(single-instance inference)。这样生成的 graph 可以保存起来当作协议缓存(protocol buffer)，也可以导入至其他的程序。
创建一个可变大小的 graph 时，要记住最重要的事情是不要将批次大小(batch size)编码成为 Python 常数，而是用一个字符性(symbolic)的 Tensor 来表示。下面的提示可能会有用：
-
用
batch_size = tf.shape(input)[0]从一个叫input的Tensor提取批次的维度(batch dimention)，再将其存入一个名为batch_size的Tensor。 -
用
tf.reduce_mean()而不是tf.reduce_sum(...) / batch_size。 -
如果你使用 placeholders for feeding input，你就可以用
tf.placeholder(..., shape=[None, ...])通过创建 placeholder 来具体指定一个可变的批次维度(variable batch dimention)。shape 的None元素与可变大小的维度(a variable-sized dimension)相对应。
参看 graph 的视觉化教程.
给你的 TensorFlow graph 增加 summary 操作(ops)，接着用 SummaryWriter 将这些 summaries 写入一个 log directory。然后用以下命令启动 TensorBoard 。
`python tensorflow/tensorboard/tensorboard.py --logdir=path/to/log-directory`
更多细节请参看 Summaries 和 TensorBoard 教程。
参看有关向 TensorFlow 添加新操作(oprations) 的 how-to 文档。
有两种主要的操作(operation)来处理自定义格式的数据。
较简单的方法：用 Python 编写一段分词的代码(parsing code)，将数据转换成为 numpy array，然后用此数据把一个 [tf.placeholder()]
(../api_docs/python/io_ops.md#placeholder) 传送给一个 tensor 。更多的细节参见 使用 placeholders 进行输入 的相关文档。这个方法比较容易实现，不过分词的部分会成为性能的瓶颈。
更高效的方法是添加一个用 C++ 编写的操作(op)，用这个操作(operation)来对你的数据格式进行分词(parse)。 新数据格式处理指南中有更多相关步骤的信息。
TensorFlow 的操作(operation)注册机制允许你定义几种输入：单独的 tensor，一列相同类型的 tensors (例如把一个可变长列表中的 tensors 相加)， 一列不同类型的 tensors (例如将一个 tuple 中的 tensors 入队(enqueue))。有关怎样定义这些不同的输入类型的更多细节，请参看添加具有一列输入或输出的操作(op)的相关文档。
我们只用 Python 2.7 进行了测试。我们了解对 Python 3 的兼容性来说，还需要有一些修改，欢迎大家朝这个方向多努力。
TensorFlow Python API 遵循 PEP8 惯例。
* 特别的，我们使用 CamelCase 格式作为类名， snake_case 格式作为方程名， 方法名， 和属性名。我们也遵循
Google Python style guide。
TensorFlow C++ 代码遵循 Google C++ style guide。
(* 有一条例外: 我们使用 2 空格缩进而不是 4 空格缩进)
原文：Frequently Asked Questions 翻译：Terence Cooper 校对：Wiki