Python 样式
遵循 PEP 8 Python 样式指南，但 TensorFlow 使用 2 个空格而不是 4 个空格。请遵循 Google Python 样式指南，并使用 pylint 检查您的 Python 更改。
pylint
要安装 pylint，请运行以下代码：
$ pip install pylint
要使用 TensorFlow 源代码根目录中的 pylint 检查文件，请运行以下代码：
$ pylint --rcfile=tensorflow/tools/ci_build/pylintrc tensorflow/python/keras/losses.py
支持的 Python 版本
有关支持的 Python 版本，请参阅 TensorFlow 安装指南。
有关官方和社区支持的构建，请参阅 TensorFlow 持续构建状态。
C++ 编码样式
对 TensorFlow C++ 代码的变更应符合 Google C++ 样式指南和 TensorFlow 特定样式详细信息。使用 clang-format 检查您的 C/C++ 变更。
要在 Ubuntu 16+ 上安装，请运行以下命令：
$ apt-get install -y clang-format
您可以使用以下命令检查 C/C++ 文件的格式：
$ clang-format <my_cc_file> --style=google > /tmp/my_cc_file.cc
$ diff <my_cc_file> /tmp/my_cc_file.cc
其他语言
TensorFlow 惯例和特殊用法
Python 运算
TensorFlow 运算是一种给定输入张量、返回输出张量（或在构建计算图时向计算图添加运算）的函数。
- 第一个参数应当是张量，然后是基本的 Python 参数。最后一个参数是默认值为
None的name。 - 张量参数应当是单个张量或者多个张量的可迭代对象。也就是说，“张量或张量列表”过于宽泛。请参见
assert_proper_iterable。 - 如果使用张量作为参数的运算正在使用 C++ 运算，则应调用
convert_to_tensor将非张量输入转换为张量。请注意，参数在文档中仍被描述为特定 dtype 的Tensor对象。 - 每个 Python 运算都应具有一个
name_scope。如下所示，以字符串形式传递运算的名称。 - 运算应包含带参数和返回声明的大量 Python 注释，这些注释说明了每个值的类型和含义。应在说明中指定可能的形状、dtype 或秩。请参阅文档详细信息。
- 为提高可用性，“示例”部分中包括带运算的输入/输出的用法示例。
- 避免显式使用
tf.Tensor.eval或tf.Session.run。例如，要编写依赖于张量值的逻辑，请使用 TensorFlow 控制流。或者，将运算限制为仅在启用 Eager Execution 时 (tf.executing_eagerly()) 才运行。
示例：
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')