So, with that said, let's re-phrase the question: Why did TensorFlow choose Python as the first well-supported language for expressing and controlling the training of models?
在执行它时会使用's also a bunch of complexity in expressing the model that isn' - 形状推断（例如，如果你做matmul（A，B），结果数据的形状是什么？）和自动gradient计算 . 事实证明，能够用Python表达这些内容真是太好了，不过我认为从长远来看，它们可能会转移到C后端，以便更容易地添加其他语言 .
这与例如numpy不同 . 例如，如果你执行 np.linalg.eig(np.matmul(A, np.transpose(A)) （这是 eig(AA') ），操作将以某种快速语言（C或fortran）计算转置，将其返回到python，将其与a一起从python中获取，并计算在一些快速语言中进行乘法并将其返回到python，然后计算特征值并将其返回到python . 因此，像matmul和eig这样昂贵的操作是有效计算的，你仍然会通过将结果移动到python并强制执行而浪费时间 . TF does not do it ，一旦你定义了图形，你的张量不是在python中，而是在C / CUDA /其他东西中 .
4 回答
关于TensorFlow最重要的事情是，在大多数情况下，核心不是用Python编写的：它是用于编程GPU的语言 . 反过来，通过使用Eigen（高性能C和CUDA数值库）和NVidia's cuDNN（NVidia GPUs的非常优化的DNN库，用于convolutions等函数），大部分都会发生 .
TensorFlow的模型是程序员使用“某种语言”（很可能是Python！）来表达模型 . 这个模型，用TensorFlow结构编写，如：
在运行Python时实际上并未执行 . 相反，实际创建的是dataflow graph，它表示采取特定输入，应用特定操作，提供结果作为其他操作的输入，等等 . 此模型由快速C代码执行，并且在大多数情况下，操作之间的数据永远不会复制回Python代码 .
然后程序员通过拉动节点来“驱动”这个模型的执行 - 通常用Python进行训练，然后用于服务，有时用Python，有时用原始C：
这一个Python（或C函数调用）使用对C的进程内调用或分布式版本的RPC来调用C TensorFlow服务器以告诉它执行，然后复制结果 .
So, with that said, let's re-phrase the question: Why did TensorFlow choose Python as the first well-supported language for expressing and controlling the training of models?
答案很简单：对于大量数据科学家和机器学习专家来说，Python可能是最舒适的语言，这很重要，这很自然 . 这也是一个巨大的优势，NumPy可以很容易地在Python中进行预处理 - 同时具有高性能 - 然后将其输入TensorFlow以获得真正的CPU重量级事物 .
在执行它时会使用's also a bunch of complexity in expressing the model that isn' - 形状推断（例如，如果你做matmul（A，B），结果数据的形状是什么？）和自动gradient计算 . 事实证明，能够用Python表达这些内容真是太好了，不过我认为从长远来看，它们可能会转移到C后端，以便更容易地添加其他语言 .
（当然，希望是在未来支持其他语言来创建和表达模型 . 使用其他几种语言进行推理已经非常简单了 - C现在有效，来自Facebook的人提供了我们正在审查的Go绑定等）
TF不是用python编写的 . 它是用C语言编写的（并使用高性能的数字libraries和CUDA代码），您可以通过查看它们的github来检查它 . 所以the core is written not in python但TF提供了许多其他语言的接口（python, C++, Java, Go）
如果您来自数据分析世界，您可以将其视为numpy（不是用python编写，而是提供Python的接口），或者如果您是Web开发人员 - 将其视为数据库（PostgreSQL，MySQL，可以从Java，Python，PHP调用）
由于many reasons，Python前端（人们在TF中编写模型的语言）是最受欢迎的 . 在我看来，主要原因是历史：大多数ML用户已经使用它（另一个流行的选择是R）所以如果你不提供python的接口，你的库很可能注定要默默无闻 .
但是用python编写并不意味着你的模型是在python中执行的 . 相反，如果你以正确的方式编写模型，那么在评估TF图形时，Python永远不会被执行（tf.py_func()除外，它存在于调试中，应该在实际模型中完全避免，因为它在Python的一面执行） .
这与例如numpy不同 . 例如，如果你执行
np.linalg.eig(np.matmul(A, np.transpose(A))（这是eig(AA')），操作将以某种快速语言（C或fortran）计算转置，将其返回到python，将其与a一起从python中获取，并计算在一些快速语言中进行乘法并将其返回到python，然后计算特征值并将其返回到python . 因此，像matmul和eig这样昂贵的操作是有效计算的，你仍然会通过将结果移动到python并强制执行而浪费时间 . TF does not do it ，一旦你定义了图形，你的张量不是在python中，而是在C / CUDA /其他东西中 .Python允许您使用C和C创建扩展模块，与本机代码连接，并且仍然获得Python为您提供的优势 .
TensorFlow使用Python，是的，但它也包含大量的C++ .
这允许用于实验的更简单的接口，而Python的人为思维开销较少，并通过编写C中最重要的部分来增加性能 .
您可以在here中查看的最新比率显示TensorFlow C内部需要约50％的代码，而Python需要大约40％的代码 .
C和Python都是谷歌的官方语言，所以难怪为什么会这样 . 如果我必须提供C和Python存在的快速回归...
C在计算代数中，Python用于其他一切，包括测试 . 知道今天的测试无处不在，难怪为什么Python代码对TF有很大贡献 .