作为深度学习的最热门工具之一，Tensorflow可以为我们的模型搭建以及数据运算带来极大的便利。作为一门工具，必不可少地是要对它有一个全局的了解。私以为，如果对它的整体的模块架构有一个了解的话，再结合自己的兴趣与需要，能够节约更多的时间去思考自己的网络结构设计，完善更多细节。
登陆到tensorflow官网www.tensorflow.org，没有梯子的同学可以使用如下网站：devdocs.io，这个网站目前支持大部分的API接口的离线阅读，你只需要enable你需要的语言，然后install即可，绝对的查阅代码神器。从官网可以查阅到tensorflow的相关API。
从上图可以看到tensorflow中封装了许多的函数，其中主要介绍我们比较常用的一些模块：
tf ——tf模块下的函数用于完成一些常用的运算操作，比如说tf.abs(计算绝对值），tf.add(逐元素的相加），tf.concat(tensor的拼接）等等。里面的操作大部分的nu'mpy也能够实现，只是这里的操作相比于numpy都是针对tensor的。以及一些数据结构的定义,如tf.float32，tf.int64等等。该模块下一共有480左右的函数，感兴趣的可以看看。
tf.app——该模块下的函数只有一个，即`tf.app.run(main=None,argv=None)`,运行带argv参数的main函数。
tf.data——实现对数据集的操作，可以用来制作供tensorflow读取的数据集，其数据类型为tensor,并可以输出相应的TFRecord文件。
tf.distributions——实现统计学中的各种分布。该模块下的各函数用于实现统计学的各个分布，如伯努利、均匀分布、高斯分布等等。
tf.estimator——实现对模型的训练和评估。该模块下包含有tensorflow封装的多种分类器。
tf.gfile——对文件的操作。该模块下的函数可以实现文件I/O的操作以及拷贝、重命名等等。
tf.image——实现对图像的操作。该模块下的相关函数包含图像处理的功能，类似于opencv，有着图像亮度、饱和度、反相、裁剪、resize、图像格式转换（RGB TO HSV,YUV,YIQ，gray)旋转、sobel边缘检测等一系列功能，相当于一个小型的opencv图像处理包了。
tf.initializers——实现对权值等变量的初始化。该模块下有许多个初始化的类，用于对网络中的权值参数等进行初始化。
tf.keras——为tensorflow调用keras工具的一个python API，是一个比较大的模块，里面包含了网络的各种操作。
tf.layer——实现层与层之间的操作。该模块下是网络结构中的层与层之间的计算操作的实现，包含池化、卷积、反卷积、全连接、dropout、batch normalization等等功能。其中包含的功能与后面要介绍的tf.nn下的函数类似，不过貌似后者用得更多一点。
tf.losses——包含一些常用loss的使用。如sigmoid_cross_entropy，softmax_cross_entropy,hinge_loss,也可以通过add_loss来添加自己定义的loss函数。
tf.nn——完成层与层之间的运算操作。包含tf.layer中的大部分功能，如池化、卷积、BN、dropout、全连接，此外有多种**函数的实现，如relu、leaky relu、 sigmoid等等。相比tf.layer，tf.nn下的函数貌似更常用一点。
tf.summary——用于记录训练过程中的参数。当我们训练一个模型的时候，往往需要了解它的参数训练过程，以及相应的loss走向，精度等等。而tf.summary这个模块可以将申明了tensor变量的值进行记录汇总。通过保存模型的方法，在训练完成后可以通过TensorBoard查看模型的相应参数。是一个在做研究时比较常用的模块。
tf.train——用于对网络的训练。该模块下包含多个优化算法，如SGD，Adagrad等等，用于整个模型的训练部分的优化过程。也是比较常用的一个模块。
tf.contrib——这是tensorflow的扩展模块，该模块下有许多tensorflow官方或者是民间大牛在维护的相应函数API，是一个比较庞大的资源库，里面有非常使用的函数，比如tensorflow的简化版slim，用slim写网络结构就非常方便。还有其他的一些，感兴趣的可以自行查阅。
以上就是我们在使用tensorflow时比较常用的一些模块了。其实看了这么多，对于需要用哪些大家心里也比较清楚了。不过tensorflow只是一个工具，关键还是在于算法的架构，理论才是重中之重。希望大家在平时也不要忘了对文献的阅读。
最后贴一张通过深度学习生成的艺术图：