本节书摘来自华章出版社《面向机器智能的TensorFlow实践》一书中的第1章，第1.6节，作者 山姆·亚伯拉罕（Sam Abrahams）丹尼亚尔·哈夫纳（Danijar Hafner）[美] 埃里克·厄威特（Erik Erwitt）阿里尔·斯卡尔皮内里（Ariel Scarpinelli），更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1.6 何时使用TensorFlow
下面介绍一些TensorFlow的用例。一般而言，对于大多数机器学习任务，TensorFlow都是一个很好的选择。下面简单列出了TensorFlow尤其适合的一些场合。
研究、开发和迭代新的机器学习架构。由于TensorFlow极为灵活，因此在构建新颖的、测试较少的模型时非常有用。而使用某些库时，用户只能获取对实现原型有帮助的具有较强刚性的预建模型，而无法对其进行修改。
将模型从训练直接切换到部署。如前所述，TensorFlow Serving使用户可实现训练到部署的快速切换。因此，在创建依赖于机器学习模型的产品时，使用TensorFlow便可实现快速迭代。如果你的团队需要保持较快的开发进度，或者你只是没有用C++、Java等语言重新实现某个模型的资源，TensorFlow可赋予你的团队快速实现产品的能力。
实现已有的复杂架构。一旦用户掌握了如何阅读可视化的计算图，并使用TensorFlow来进行构建，他们便有能力用TensorFlow实现最新的研究文献中所描述的模型。在构建未来的模型，或甚至在对用户的当前模型进行严谨的改进时，这种能力可提供非常有价值的见解。
大规模分布式模型。在面对多种设备时，TensorFlow表现出卓越的向上可扩展性。它已经开始在谷歌内部的各个项目中逐步取代DistBelief。随着最近分布式运行时的发布，我们将看到越来越多的将TensorFlow运行于多台硬件服务器和云端虚拟机的用例。
为移动/嵌入式系统创建和训练模型。虽然TensorFlow主要关注向上的扩展（scaling up），对于向下的扩展（scaling down），它同样有优异的表现。TensorFlow的灵活性之一体现在它可轻松扩展到计算性能不高的系统中。例如，它可在安卓设备以及像树莓派（Raspberry Pi）这样的微型计算机中运行。TensorFlow代码库中包含了一个在安卓系统中运行预训练模型的例程。
