·轻松地构建模型
在即刻执行环境中使用 Keras 等直观的高阶 API 轻松地构建和训练机器学习模型，此环境使我们能够快速迭代模型并轻松地调试模型。
·随时随地进行可靠的机器学习生产
无论你使用哪种语言，都可以在云端、本地、浏览器中或设备上轻松地训练和部署模型。
·强大的研究实验
一个简单而灵活的架构，可以更快地将新想法从概念转化为代码，然后创建出先进的模型，并最终对外发布。
一、TensorFlow 架构
·客户端（Client）
将计算过程定义为数据流图。使用_Session_初始化数据流图的执行。
·分布式主控端（Master）
修剪图中的某些特殊子图，即Session.run()中所定义的参数。将子图划分为在不同进程和设备中运行的多个部分。将图分发给不同的工作进程。由工作进程初始化子图的计算。
·工作进程（Worker service）（每个任务的）
使用内核实现调度图操作并在合适的硬件（CPU、GPU 等）执行。向其他工作进程发送或从其接收操作的结果。
·内核实现
执行一个独立的图操作计算。
二、EMR 支持 TensorFlow
·TensorFlow 版本：v1.14.0
·目前 TensorFlow 只支持运行在 CPU 机型，暂不支持 GPU 机型。
·支持 tensorflow on spark 做分布式训练
三、TensorFlow 开发示例
这篇以 TensorFlow v1.4.4 版本为示例，首先需要安装 TensorFlow，切换到 root 用户下，密码为创建 EMR 集群时设置的密码，先安装 python-pip 工具再安装依赖包：
[hadoop@172 hbase]$ suPassword: ********[root@172 hbase]# yum install python-pip[root@172 hbase]# pip install Tensorflow
编写代码：test.py
import tensorflow as tfhello = tf.constant('Hello, TensorFlow!')sess = tf.Session()print sess.run(hello)a = tf.constant(10)b = tf.constant(111)print sess.run(a+b)exit()
执行如下命令：
python test.py
更多用法请参考 TensorFlow 页面。