TensorFlow 核心 API 概述
TensorFlow 核心 API 提供了一套全面、可组合且可扩展的低级 API，用于高性能（分布式和加速）计算，主要用于构建机器学习 (ML) 模型以及在 TensorFlow 平台内创作 ML 工作流程工具和框架。这些 API 为创建具有细粒度控制和从头开始的新框架的高度可配置模型奠定了基础。
核心 API 可用作 Keras 等高级机器学习 API 的替代方案。这些高级 API 最适合一般机器学习需求。它们提供各种模块，这些模块抽象了 ML 的复杂性，同时还提供通过子类化进行自定义的功能。如果您正在寻找使用 Keras 的 TensorFlow 概述，请参阅教程中的快速入门和 Keras 部分。
谁应该使用核心 API
TensorFlow 核心低级 API 是为以下 ML 开发人员设计的
使用高度可配置性构建复杂模型的研究人员
有兴趣将 TensorFlow 用作高性能科学计算平台的开发人员
在 TensorFlow 平台之上构建工具的框架作者
有兴趣的高级 API 用户
向其机器学习工作流程添加其他功能，例如自定义层、损失、模型和优化器
了解其模型内部工作原理
核心 API 应用程序
TensorFlow 核心 API 提供对 TensorFlow 生态系统中低级功能的访问。与 Keras 等高级 API 相比，此 API 提供了更多灵活性，可以更好地控制构建 ML 模型、应用程序和工具。
构建模型和工作流程
核心 API 最常用于构建高度可定制和优化的机器学习模型和工作流程。以下是 TensorFlow 核心 API 如何改进您的机器学习模型和工作流程开发的一些方法。
构建不符合高级 API 支持的结构的非传统模型或层。
在 Keras 中构建自定义层、损失、模型和优化器。
实施新的优化技术以加快训练过程中的收敛速度。
创建用于性能评估的自定义指标。
设计高度可配置的训练循环，支持批处理、交叉验证和分布式策略等功能。
构建框架和工具。
TensorFlow 核心 API 也可以作为新高级框架的构建块。以下是一些使用低级 API 创建的工具和框架示例：
Keras: 人工智能的深度学习。
TensorFlow 模型优化工具包: 一套用于优化 ML 模型以进行部署和执行的工具。
TensorFlow 图形: 一个用于使有用的图形功能广泛可用的库。
构建用于科学计算。
TensorFlow 核心 API 也可以应用于机器学习领域之外。以下是 TensorFlow 用于科学计算的一些通用用例：
用于固体力学和流体力学问题的物理模拟。
图形渲染应用程序，如光线追踪。
解决约束优化问题。
核心 API 组件。
以下是构成 TensorFlow 核心低级 API 的一些基本组件。请注意，这不是一个包罗万象的列表。
数据结构：tf.Tensor、tf.Variable、tf.TensorArray
原始 API：tf.shape、切片、tf.concat、tf.bitwise
数值：tf.math、tf.linalg、tf.random
函数组件：tf.function、tf.GradientTape
分布：DTensor
导出：tf.saved_model
下一步。
“使用核心构建”文档提供了从头开始的基本机器学习概念教程。本节中的教程将帮助您熟悉使用核心 API 编写低级代码，然后您可以将这些代码应用于您自己的更复杂用例。
注意： 您不应该使用核心 API 来简单地重新实现高级 API，并且可以使用高级 API（如 Keras）与核心 API 结合使用。
要开始使用和了解更多关于核心 API 的信息，请查看TensorFlow 核心的快速入门。