关于TensorFlow的最重要的认识是，在大多数情况下， 内核不是用Python编写的 ：它是由高度优化的C
和CUDA（NVIDIA用于GPU编程的语言）结合而成。反过来，大多数情况是通过使用Eigen（一种高性能C
和CUDA数值库）和NVidia的cuDNN（一种针对NVidia
GPU进行了非常优化的DNN库，用于诸如卷积之类的功能）而发生的。
TensorFlow的模型是程序员使用“某种语言”（很可能是Python！）来表达模型。该模型以TensorFlow构造编写，例如：
h1 = tf.nn.relu(tf.matmul(l1, W1) + b1)h2 = ...
在运行Python时实际上未执行。相反，实际创建的是一个数据流图，该图表示接受特定的输入，应用特定的操作，将结果作为输入提供给其他操作，等等。
该模型由快速的C ++代码执行，并且在大多数情况下，操作之间传递的数据永远不会复制回Python代码 。
然后，程序员通过拉上节点来“驱动”该模型的执行-通常在Python中进行训练，并在Python中有时在原始C ++中进行服务：
sess.run(eval_results)
这个Python（或C 函数调用）使用对C
的进程内调用或针对分布式版本的RPC来调用C
++ TensorFlow服务器以使其执行，然后将结果复制回去。
因此，话虽如此，让我们重新表述一下问题：为什么TensorFlow为什么选择Python作为表达和控制模型训练的第一种得到良好支持的语言？
答案很简单：对于许多数据科学家和机器学习专家来说，Python可能 是 最舒适的语言，它易于集成并可以控制C
++后端，同时在内部和外部也广泛使用。和开放源代码。鉴于使用TensorFlow的基本模型，Python的性能并不那么重要，因此很自然。NumPy使得NumPy可以轻松地在Python中进行预处理（也具有高性能），然后再将其馈入TensorFlow进行真正占用大量CPU的工作，这也是一个巨大的优势。
表示执行模型时不使用的模型也有很多复杂性-
形状推断（例如，如果您做matmul（A，B），结果数据的形状是什么？）和自动梯度计算。事实证明，能够用Python表达这些内容真是太好了，尽管从长远来看，我认为它们可能会转移到C
++后端，从而使添加其他语言变得更加容易。
（当然，希望是将来支持其他语言来创建和表达模型。使用其他几种语言来进行推理已经非常简单了-C
++现在可以工作了，Facebook的某人贡献了Go绑定，我们现在对其进行回顾。等）
