前言
通過這一節，瞭解tensorflow可以做什麼，遇到一個問題能夠判斷tensorflow有什麼現成的庫，最後需要明白自己要學什麼，不要一窩蜂地都學，那樣沒啥效果。我們要知道哪些內容需要理解並熟練掌握，哪些內容可以選擇記憶，用到的時候再看這部分內容。
tensorflow summary
簡介
tensorflow是一個非常全的，開源的，針對機器學習（不止是深度學習），**平臺（具體怎麼發揮取決你）**的軟件包。
全景圖
上圖是tf的全景，左邊train部分包括distribution統一調度底層的硬件，tf.keras和estimators這兩個高級api去搭建模型，這裏還可以通過底層custm層自定義層(學術型的工作)。tensorflowhub裏面有很多先進的算法實現，可以拿到本地去使用。read&preprocess data 是花費時間最多的地方，很多時候模型搭建寫不了多少時間，大都在data處理上，因此這部分要掌握好。
右邊是開發部分，serving是把訓練好的model設置成後端api， lite部署到嵌入式，針對前向傳播進行大量的編譯優化，.js是面對前端網頁的。此外還有其他語言的轉換。
tf2.0 和1.0相比，它把高層api統一合併到keras,並刪除了大量的冗餘的api,降低學習難度。
training 階段
這是訓練的流程，其中tf.data和feature colums用好的話可以大大降低在數據處理上花費時間，因此是整個訓練部分最應該要熟練掌握的。 tensorboard可以對訓練整個過程進行調控和監視。keras和estimators簡單知道幾個常用的就行，其他的用到時候可以查google，但是custom自定義層要熟練掌握。
develpment部分
把模型部署出來，略。
tensorflow擴展工具
tensorboard:模型可視化工具，經常會用到
XLA:加速庫
probability:自己加入先驗知識，強加到模型中，也就是掌舵tf變化。
ragged tensor: 讓tensor 變成可變長的tensor，常用在rnn中。
tensor2tenor: 加速dl的研究，將先進的模型放入進去。
privacy: 加密。
federated: 解決數據分散和數據不能共享問題，但是所有人基於共同的數據能夠訓練出來一個好的模型。有點像區塊鏈。
rl :強化學習，但是不完善。
其他：也有很多其他的生態擴展包，用到時候可以查。
tensorboard（模型訓練駕駛艙）
XLA
工業中對模型的大小和運行進行優化，學術領域用不到。
機器學習的工作全景
從下圖可以看出，機器學習真正code只有中間很少的一部分，如果只鑽到ML code很容易陷入一個技術瓶頸。大多數的時間會在data收集、驗證、提取特徵上。很多研究人員在ml code領域，雖然他們工作很少，但是整個流程都是圍繞他運行的。因此要對ML code有正面評價，但是還要有負面評價。如果在大公司一個人只做其中的一個小方向，好處是能夠做到精尖的水平，但是小公司就要全做了，這樣能鍛鍊水平但是我覺得增值慢。沒有精尖增值快。
