Python允许您使用C和C ++创建扩展模块，与本机代码接口，并且仍然获得Python给您带来的优势。

TensorFlow使用Python，是的，但是它也包含大量的C ++ 。

这样就可以使用一个更简单的界面来进行实验，从而减少了用Python进行的人工操作，并通过对C ++中最重要的部分进行编程来提高性能。

TF不是用python编写的。它是用C ++编写的（并使用高性能的数字库和CUDA代码），您可以通过查看他们的github进行检查。因此，核心不是用python编写的，而是TF提供了许多其他语言（ python，C ++，Java，Go ）的接口

如果您来自数据分析领域，则可以像numpy（不是用python编写，但提供了Python的接口）那样考虑它，或者如果您是Web开发人员，则可以将其视为数据库（PostgreSQL，MySQL，可以从Java，Python，PHP调用）

由于许多 原因， Python前端（人们使用TF编写模型的语言）最受欢迎。在我看来，主要原因是历史原因：大多数ML用户已经在使用它（另一个流行的选择是R），因此，如果您不提供python的接口，那么您的库很可能注定会变得晦涩难懂。

但是用python编写并不意味着您的模型是用python执行的。相反，如果您以正确的方式编写模型，则在评估TF图期间绝不会执行Python（ tf.py_func（）除外，该存在于调试中，应完全在实际模型中避免使用，因为它是在Python方面）。

例如，这与numpy不同。例如，如果执行np.linalg.eig(np.matmul(A, np.transpose(A)) （ eig(AA') ），则该操作将以某种快速语言（C ++或fortran）计算转置，返回它到python，与A一起从python中获取，然后以某种快速语言计算一个乘法，然后将其返回给python，然后计算特征值，然后将其返回给python。尽管如此，像matmul和eig这样的昂贵运算却得到了有效的计算，但您仍然会损失通过将结果移回python并强制执行 ， TF不会这样做 ，一旦定义了图，张量就不在python中，而是在C ++ / CUDA /其他东西中流动。

关于TensorFlow的最重要的认识是，在大多数情况下， 内核不是用Python编写的 ：它是由高度优化的C ++和CUDA（Nvidia用于GPU编程的语言）结合而成。反过来，大部分情况是通过使用Eigen （高性能C ++和CUDA数值库）和NVidia的cuDNN （为NVidia GPU进行了非常优化的DNN库，用于诸如卷积之类的功能）而发生的。

TensorFlow的模型是程序员使用“某种语言”（很可能是Python！）来表达模型。该模型以TensorFlow构造编写，例如：

h1 = tf.nn.relu(tf.matmul(l1, W1) + b1)
h2 = ...

在运行Python时实际上并未执行。相反，实际上创建的是一个数据流图 ，该图表示接受特定的输入，应用特定的操作，将结果作为输入提供给其他操作，等等。 该模型由快速的C ++代码执行，并且在大多数情况下，操作之间传递的数据永远不会复制回Python代码 。

然后，程序员通过拉上节点来“驱动”该模型的执行-通常在Python中进行训练，并在Python中有时在原始C ++中进行服务：

sess.run(eval_results)

这个Python（或C ++函数调用）使用对C ++的进程内调用或针对分布式版本的RPC来调用C ++ TensorFlow服务器以使其执行，然后将结果复制回去。

因此，话虽如此，让我们重新表述一下这个问题：为什么TensorFlow选择Python作为表达和控制模型训练的第一种得到良好支持的语言？

答案很简单：对于许多数据科学家和机器学习专家来说，Python可能是最舒适的语言，它也易于集成并控制C ++后端，同时在内部和外部也广泛使用。和开放源代码。鉴于使用TensorFlow的基本模型，Python的性能并不那么重要，因此很自然。 NumPy的巨大优势还在于它可以在Python中轻松进行预处理-同样具有高性能-然后再将其馈入TensorFlow进行真正占用大量CPU的工作。

在表达执行模型时不使用的模型也有很多复杂性-形状推断（例如，如果您做matmul（A，B），结果数据的形状是什么？）和自动梯度计算。事实证明，能够用Python表达这些内容真是太好了，尽管我认为从长远来看，它们可能会转移到C ++后端，从而使添加其他语言变得更加容易。

（当然，希望是将来支持其他语言来创建和表达模型。使用其他几种语言来运行推理已经非常简单了-C ++现在可以工作了，Facebook的某人提供了我们正在审查的Go绑定等）