TensorFlow Variables 是内存中的容纳 tensor 的缓存。了解用它们在训练时(during training)保存和更新模型参数(model parameters) 的方法。
用 MNIST 手写数字识别作为一个小例子，一步一步的将使用 TensorFlow 基础架构(infrastructure)训练大规模模型的细节做详细介绍。
对模型进行训练和评估时，TensorBoard 是一个很有用的工具。此教程解释了创建和运行 TensorBoard 的方法， 和添加摘要操作(Summary ops)的方法，通过添加摘要操作(Summary ops)，可以自动把数据输出到 TensorBoard 在展示时所使用的事件文件。
此教程介绍了在 TensorBoard 中使用图的视觉化工具的方法，它可以帮助你理解 the dataflow graph 并 debug。
此教程解释了把数据传入 TensorSlow 程序的三种主要的方法： Feeding, Reading 和 Preloading.
此教程解释了 TensorFlow 中为更容易的进行异步和并发训练而实现的各种不同的结构(constructs)。
TensorFlow 已经提供一整套节点操作(operation)，你可以在你的 graph 中随意使用它们，不过这里有关于添加自定义操作(custom op)的细节。
参看教程。
如果你有相当大量的自定义数据集合，可能你想要对 TensorFlow 进行扩展，使它能直接以数据自身的格式将其读入。
参看教程。
此教程描述了用 GPU 构建和运行模型的方法。
当在多 GPU 上部署大型的模型，或展开复杂的 LSTMs 或 RNNs 时，在模型构建代码的不同位置对许多相同的 Variable 对象(objects)进行读写常常是必须的。
设计"Variable Scope" 机制的目的就是为了有助于上述任务的实现。
参看教程。
原文： How-to 翻译：Terence Cooper 校对：