Python 風格
遵循 PEP 8 Python 風格指南，但 TensorFlow 使用 2 個空格而非 4 個。請遵守 Google Python 風格指南，並使用 pylint 檢查您的 Python 變更。
pylint
若要安裝 pylint
$ pip install pylint
若要使用 pylint 從 TensorFlow 原始碼根目錄檢查檔案
$ pylint --rcfile=tensorflow/tools/ci_build/pylintrc tensorflow/python/keras/losses.py
支援的 Python 版本
如需瞭解支援的 Python 版本，請參閱 TensorFlow 安裝指南。
請參閱 TensorFlow 持續建構狀態，瞭解官方和社群支援的建構版本。
C++ 程式碼風格
TensorFlow C++ 程式碼的變更應符合 Google C++ 風格指南和TensorFlow 特定風格詳細資料。使用 clang-format 檢查您的 C/C++ 變更。
若要在 Ubuntu 16 以上版本安裝，請執行
$ apt-get install -y clang-format
您可以使用以下指令檢查 C/C++ 檔案的格式
$ clang-format <my_cc_file> --style=google > /tmp/my_cc_file.cc
$ diff <my_cc_file> /tmp/my_cc_file.cc
其他語言
TensorFlow 慣例和特殊用法
Python 運算
TensorFlow *運算* 是一種函式，可接受輸入張量並傳回輸出張量 (或在建立圖表時將運算元新增至圖表)。
- 第一個引數應為張量，後面接著基本 Python 參數。最後一個引數是
name，預設值為None。 - 張量引數應為單一張量或張量的可迭代物件。也就是說，「張量或張量清單」的範圍太廣。請參閱
assert_proper_iterable。 - 接受張量做為引數的運算應呼叫
convert_to_tensor，以便在使用 C++ 運算時，將非張量輸入轉換為張量。請注意，引數在文件中仍說明為特定 dtype 的Tensor物件。 - 每個 Python 運算都應具有
name_scope。如下所示，傳入運算的名稱做為字串。 - 運算應包含詳盡的 Python 註解，其中包含 Args 和 Returns 宣告，以說明每個值的類型和意義。可能的形狀、dtype 或等級應在說明中指定。請參閱文件詳細資料。
- 為了提高可用性，請在「範例」區段中加入運算用法的範例，其中包含運算的輸入/輸出。
- 避免明確使用
tf.Tensor.eval或tf.Session.run。例如，若要編寫取決於張量值的邏輯，請使用 TensorFlow 控制流程。或者，將運算限制為僅在啟用 Eager Execution 時執行 (tf.executing_eagerly())。
範例
def my_op(tensor_in, other_tensor_in, my_param, other_param=0.5,
output_collections=(), name=None):
"""My operation that adds two tensors with given coefficients.
Args:
tensor_in: `Tensor`, input tensor.
other_tensor_in: `Tensor`, same shape as `tensor_in`, other input tensor.
my_param: `float`, coefficient for `tensor_in`.
other_param: `float`, coefficient for `other_tensor_in`.
output_collections: `tuple` of `string`s, name of the collection to
collect result of this op.
name: `string`, name of the operation.
Returns:
`Tensor` of same shape as `tensor_in`, sum of input values with coefficients.
Example:
>>> my_op([1., 2.], [3., 4.], my_param=0.5, other_param=0.6,
output_collections=['MY_OPS'], name='add_t1t2')
[2.3, 3.4]
"""
with tf.name_scope(name or "my_op"):
tensor_in = tf.convert_to_tensor(tensor_in)
other_tensor_in = tf.convert_to_tensor(other_tensor_in)
result = my_param * tensor_in + other_param * other_tensor_in
tf.add_to_collection(output_collections, result)
return result
用法
output = my_op(t1, t2, my_param=0.5, other_param=0.6,
output_collections=['MY_OPS'], name='add_t1t2')