TensorFlow 最近提供了官方中文版教程（Tutorials）和中文版指南（Guide）。其中教程主要介绍了 TensorFlow 的基本概念，以及各种基础模型的简单实现方法，这些模型基本上都是用 Keras 等易于理解的高阶 API 完成。而指南则深入介绍了 TensorFlow 的工作原理，包括高阶 API、Estimator、低阶 API 和 TensorBoard 等。
项目地址：https://tensorflow.google.cn/tutorials/?hl=zh-cn
中文版教程
TensorFlow 是一个用于研究和生产的开放源代码机器学习库。TensorFlow 提供了各种 API，可供初学者和专家在桌面、移动、网络和云端环境下进行开发。而中文版教程的目的是希望能为初学者提供了解及入门 TensorFlow 的知识，包括用 Keras 实现最基本的分类和回归模型、使用 Eager Execution 构建定制化神经网络、使用 Estimator 构建大规模机器学习等。
如上展示了 TensorFlow 第一步学习的一些内容，其中第一个基本分类介绍了如何使用全连接网络处理 Fashion-MNIST 数据集，这一教程完整地介绍了 TensorFlow 的主要流程，剩下的 4 个初步教程也会一步步教你怎样使用它。
除了入门的 Keras，用于研究的 Eager Execution 和用于大规模训练的 Estimator 也都有中文介绍。不过它们同样会提供一些 Github 项目，这些项目大多数还都是保留英文，这两部分只有介绍性的文章会提供中文。
后面剩下的就是大量前沿模型了，这些模型很多都提供的是对应 Github 地址或 Colab 教程地址，因此它们大部分也都是英文的，不过既然入了门，再理解这些模型也就没问题了。总体而言，这些教程可以分为生成模型、视觉模型、序列模型和数据表征等 18 种模型。
最后，教程部分还提供了后续学习计划，包括详细了解 TensorFlow 和机器学习两部分。其中 TensorFlow 提供了指南、TensorFlow.js 和 TFLite 等学习路径，机器学习提供了 CS231n、机器学习速成课程、CS 20 等课程推荐。
中文指南
如果读者本来就有比较好的基础，那么我们在实践中可能会遇到具体的问题，例如调用 TPU、使用静态计算图、或者使用 TensorBoard 进行可视化等。当遇到这些特定问题时，我们可以查阅查阅 TensorFlow 指南，它可能会提供详细的介绍。
中文指南主要分为以下部分，这些内容都有中文介绍，所以阅读性还是挺高的。
高阶 API
Keras：用于构建和训练深度学习模型的 TensorFlow 高阶 API。
Eager Execution：一个以命令方式编写 TensorFlow 代码的 API，就像使用 NumPy 一样。
Estimator：一个高阶 API，可以提供已准备好执行大规模训练和生产的完全打包的模型。
导入数据：简单的输入管道，用于将您的数据导入 TensorFlow 程序。
Estimator
Estimator：了解如何将 Estimator 用于机器学习。
预创建的 Estimator：预创建的 Estimator 的基础知识。
检查点：保存训练进度并从您停下的地方继续。
特征列：在不对模型做出更改的情况下处理各种类型的输入数据。
Estimator 的数据集：使用 tf.data 输入数据。
创建自定义 Estimator：编写自己的 Estimator。
加速器
使用 GPU：介绍了 TensorFlow 如何将操作分配给设备，以及如何手动更改此类分配。
使用 TPU：介绍了如何修改 Estimator 程序以便在 TPU 上运行。
低阶 API
简介：介绍了如何使用高阶 API 之外的低阶 TensorFlow API 的基础知识。
张量：介绍了如何创建、操作和访问张量（TensorFlow 中的基本对象）。
变量：详细介绍了如何在程序中表示共享持久状态。
数据流图：这是 TensorFlow 将计算表示为操作之间的依赖关系的一种表示法。
会话：TensorFlow 跨一个或多个本地或远程设备运行数据流图的机制。如果您使用低阶 TensorFlow API 编程，请务必阅读并理解本单元的内容。如果您使用高阶 TensorFlow API（例如 Estimator 或 Keras）编程，则高阶 API 会为您创建和管理图和会话，但是理解图和会话依然对您有所帮助。
保存和恢复：介绍了如何保存和恢复变量及模型。
