为什么说 TensorFlow 是适用于部署生产的机器学习框架？

部署生产追求的是部署方便，运行生产效率高。TensorFlow的设计处处体现了一个延后计算的思想。从而可以做更多静态分析，图优化，从而达到高运行效率。

训练与推导的本质是流水线，流水线的本质是DAG运算。

Tensorflow在写代码的时候你会感觉到，怎么我写了这么多，什么有用的都没有执行呢？为什么老得用一个session去run才能得到结果。原因是你做的这么多工作，都是在生成数据加载模型，图模型。你是在生产一部自动机器，等你把这机器造好了，他还会自动优化一下，比如重复的操作可合并等。sess.run的时候，它会自动吃进去数据，吐出来结果。

因为你在设计之初，就被tensorflow强制考虑数据流的问题了，而按照数据流高度抽象过的程序，很容易被部署在多核/多GPU/多节点环境中。sess.run的时候，即让数据按设计流程流动起来了。

这本质上呢，可能对researcher不是很友好，因为搞科研的，喜欢第一步，第二步，第三步那样的逻辑去写代码，在jupyter里，写一步就得一步的结果。

不过呢，为了运算效率，早点神丹炼成，写tensorflow也逐渐被接受了。