TensorFlow Core API 提供一組全面性、可組合且可擴充的低階 API，用於高效能 (分散式和加速) 運算，主要目標是在 TensorFlow 平台中建構機器學習 (ML) 模型，以及編寫 ML 工作流程工具和架構。這些 API 為從頭開始建立具有精細控制的高度可配置模型和新架構奠定基礎。
Core API 可作為 Keras 等高階機器學習 API 的替代方案。這些高階 API 最適合一般機器學習需求。它們提供各種模組，可抽象化 ML 的複雜性，同時也提供透過子類別化進行自訂的功能。如果您正在尋找使用 Keras 的 TensorFlow 總覽，請參閱教學課程中的「快速入門」和「Keras」章節。
哪些人應使用 Core API
TensorFlow Core 低階 API 的設計對象為下列 ML 開發人員
- 研究人員建構具有高配置性的複雜模型
- 開發人員有興趣將 TensorFlow 用作高效能科學運算平台
- 架構作者在 TensorFlow 平台上建構工具
- 對以下項目感興趣的高階 API 使用者
- 在其機器學習工作流程中新增其他功能，例如自訂層、損失、模型和最佳化工具
- 進一步瞭解模型的內部運作方式
Core API 應用
TensorFlow Core API 可讓您存取 TensorFlow 生態系統中的低階功能。與 Keras 等高階 API 相比，此 API 在建構 ML 模型、應用程式和工具方面提供更高的彈性和控制。
建構模型和工作流程
Core API 最常用於建構高度可自訂和最佳化的機器學習模型和工作流程。以下說明 TensorFlow Core API 如何改善您的機器學習模型和工作流程開發
- 建構不完全符合高階 API 支援結構的非傳統模型或層
- 在 Keras 內建構自訂層、損失、模型和最佳化工具
- 實作新的最佳化技術，以加速訓練期間的收斂
- 建立自訂指標以進行效能評估
- 設計高度可配置的訓練迴圈，並支援批次處理、交叉驗證和分佈策略等功能
建構架構和工具
TensorFlow Core API 也可作為新高階架構的建構區塊。以下列出一些使用低階 API 建立的工具和架構範例： 
- Keras：適合人類的深度學習
- TensorFlow Model Optimization Toolkit：一套用於最佳化 ML 模型以進行部署和執行的工具
- TensorFlow Graphics：一個讓實用繪圖函式廣泛可用的程式庫
為科學運算而建構
TensorFlow Core API 也可應用於機器學習領域之外。以下列出 TensorFlow 用於科學運算的幾個通用用途範例： 
- 固體力學和流體力學問題的物理模擬
- 繪圖算繪應用程式，例如光線追蹤
- 解決受限最佳化問題
Core API 元件
以下列出構成 TensorFlow Core 低階 API 的一些基本元件。請注意，這並非詳盡無遺的清單
- 資料結構：
tf.Tensor、tf.Variable、tf.TensorArray - 基本 API：
tf.shape、切片、tf.concat、tf.bitwise - 數值：
tf.math、tf.linalg、tf.random - 功能元件：
tf.function、tf.GradientTape - 分佈：DTensor
- 匯出：
tf.saved_model
後續步驟
「使用 Core 建構」文件提供從頭開始的基本機器學習概念教學課程。本節中的教學課程可協助您熟悉使用 Core API 編寫低階程式碼，然後將其應用於您自己更複雜的使用案例。
若要開始使用 Core API 並進一步瞭解相關資訊，請參閱「TensorFlow Core 快速入門」。