我在查看TensorFlow的API时注意到，许多已在Python和numpy中存在的数学操作都被重新实现了（或者至少被赋予了TensorFlow的接口）。例如：

这样做的理由是什么呢？

我一直在他们的页面上搜索，但找不到他们这样做的原因。

不过我有一些猜测。我的主要猜测之一是，他们可能希望这些操作对实现的神经网络图产生反向传播效果。换句话说，就是实现它们的导数。这是否是原因之一？（希望我知道如何检查我的猜测是否正确）

例如，在线性回归的最基本示例中，人们定义了想要实现的预测函数：

product = tf.matmul(x,W)y = product + b

而不是

product = tf.matmul(x,W)y = tf.add(product, b)

不知何故，第一个实现不会干扰用于训练的随机梯度下降算法，所以使用numpy还是tf.add来训练可能并不重要？这是让我感到困惑的一个方面，我什么时候知道应该使用哪一个呢？

或者可能是性能原因？或者是为了让这些操作在需要时可以访问GPU？

回答：

你需要理解的是，你通过这些操作创建了一个tensorflow图，这意味着它们与numpy函数不同，它们是对这些函数的一种抽象。

你可能已经注意到，你需要创建一个会话，然后通过该会话评估函数才能得到结果，而使用numpy函数时它们是直接执行的。这是由于这个图及其函数定义了要做什么，就像写下一个公式一样，但要为特定的x（或其他任何东西）得到结果，你必须为x插入一个值。这就是你在通过会话和eval所做的事情。

因此，总结一下，你用tensorflow定义了一个图，这是一个函数的更抽象的表示，而且这个图在运行时不会被执行，它被定义后，将在你调用eval函数时执行，并通过该会话运行。

另外请注意，你不能直接混合使用numpy函数和tensorflow函数，但你可以定义自己的tensorflow函数（https://www.tensorflow.org/versions/r0.9/how_tos/adding_an_op/index.html）

顺便说一句，我猜大多数tensorflow函数在底层是使用numpy的。:)