Python 张量流在一般计算中的优势

我正在阅读关于如何使用tensorflow模拟水波纹的详细说明。我的理解是tensorflow变量和占位符被用来代替一般的python变量，但是使用tensorflow是否有任何特定的（即性能）优势

首先，TensorFlow和NumPy等库之间存在着非常根本的区别。在TensorFlow中，基本上以符号方式定义计算图，除非从类

会话
调用函数
run
，否则不会计算任何内容。务必注意只调用一次
run
函数（或仅在需要时调用），以避免冗余计算

说到性能，TensorFlow和Theano等库擅长修剪和优化整个计算图（在运行之前），并使用非常优化的内核在可用设备（包括GPU）上运行图中的操作。GPU在执行矩阵运算时非常快速和有用，但NumPy无法利用它。NUMPY主要使用基于C++的代码运行计算，但不像TysFoSoad，它不将图形优化应用到整个计算图。事实上，NumPy中没有图形这样的东西。TensorFlow将整个计算带到不同的运行时空间，然后在实际执行后返回具体结果

如果您对内核的确切含义感到好奇，请将其定义为：“内核是可以在特定类型的设备（例如CPU或GPU）上运行的操作的特定实现。”

有相当简单但很好的基准测试，通过数字显示TensorFlow在多大程度上以及何时优于NumPy

要了解TensorFlow的实际工作原理，可能也很有用

如果你的问题不是一个需要处理大规模矩阵和大量矩阵运算的大问题，那么我会说NumPy更容易使用，你不需要担心性能
 我对此也很好奇。我用其他一些脚本来测试它：对我的问题的回答表明它只适合于非常特定的任务！您有一个输入错误：
TensorFloe
->
TensorFlow
。