Tensorflow太难用了，目前发现的缺点如下（不分先后）
-
if/else语句很不好写，必须用tf.case，而且还没有找到通过它来调用函数的方法。这导致没有办法在使用同一段网络结构代码的情况下区分training和validation。
-
Q: tf区分不了，但只要人能够区分就行了，也就是说在training时输入validation的数据，得到结果后注明一下是val再输出就好了。
-
A: 然并卵，虽然能输出val的结果。但我需要在tensorboard中分别画出train和val的相关信息，这就不得不在网络结构中明确区分两者。但我又不想把几乎完全相同的网络写2遍。
-
Q: 就算是这样，你只用重新写一个val的summary，又不用全部重新写。
-
A: 你再仔细想想。
-
-
修改tensor的值，必须用tf.assign。局部修改1维tensor，有相应的函数。局部修改多维tensor，呵呵，难如上青天。
-
Q: 深度学习中的参数不应该都是自动计算得到的吗？为什么要去手动修改？
-
A: 说的也有道理，但万一真的需要呢？
-
-
重新造了一堆轮子，tf不再是一个库，而像是一门语言。使用tf的时候，你根本不会发现自己在用python，因为python有的它也有，而且它还不让你用python自带的（很多函数只接受tensor输入）。
-
tensor与numpy array难以相互转换。毕竟太好转换就显示不出自己是静态图了。
-
Q: 那么有人会说，你sess.run一下你的tensor不就是输出numpy array了吗？
-
A: 说的也有道理，但是万一你在定义网络结构的时候中间过程需要使用numpy array呢？
-
Q: 你为什么非要用numpy array呢？只用tensor不久没这些破事了吗？
-
A: 的确，但是有时候tensor真的太难用了，参考前面2点。
-
当然，tf还是有一些值得称赞的地方
-
社区活跃，用的人多。
-
tensorboard太完美了。
-
tensorlayer很好用(大雾)。
最后，我想说
我还是滚去用pytorch吧，动态图就是叼。当初入tf的坑主要是被它【骚黄色的官网/充实的教程/详细的文档/直观方便的tensorboard】所诱惑，当然还有google爸爸撑腰。最后事实证明，确实是中看不中用啊。目前打算把之前的几个项目迁移到pytorch上，就当是熟悉一下pytorch了。 听说google也在开发tf的动态图版本Tensorflow fold，但目前看起来没啥人用，先观望一段时间再说。