TensorFlow的关注数在GitHub上表示为star的数量，截止到2019年6月，已经超过了12万，不同框架的star数如图所示。
不同框架的star数
TensorFlow中文社区对自己的框架给出的定义是：TensorFlow是一个采用数据流图（Data Flow Graphs）的，用于数值计算的开源软件库。它灵活的架构允许用户在多种平台上展开计算，如台式计算机中的一个或多个CPU（或GPU）、服务器、移动设备等。
该社区还对TensorFlow的六大优势做了重点阐述。
（1）高度的灵活性。TensorFlow不是一个严格的“神经网络”库。只要用户可以将计算表示为一个数据流图，就可以使用TensorFlow。用户通过构建图描写驱动计算的内部循环。TensorFlow提供了有用的工具来帮助用户组装“子图”（常用于神经网络），用户可以在TensorFlow的基础上完成“上层库”的搭建，并且不会产生性能损耗。若找不到想要的底层数据操作，可以通过C++代码来丰富其底层操作。
（2）可移植性（Portability）。TensorFlow可以在CPU和GPU上运行，如可以运行在台式机、服务器、手机移动设备上等。TensorFlow可以在用户的笔记本电脑上实现机器学习算法，或者不改变代码就可以实现将训练的模型在多个CPU上规模化运算。TensorFlow还可以将训练好的模型放入手机App里，并可以将模型作为云端服务运行在服务器上，或者运行在Docker容器里。
（3）将科研和产品联系在一起。过去如果要将科研中的机器学习算法用到产品中，需要大量的代码重写工作。开发者可使用TensorFlow尝试新的算法，产品团队使用TensorFlow来训练和使用计算模型，并直接提供给在线用户。使用TensorFlow可以让应用型研究者将想法迅速运用到产品中，也可以让学术型研究者更直接地分享代码，从而提高科研产出率。
（4）自动求微分。基于梯度的机器学习算法会受益于TensorFlow自动求微分的功能。用户只需要定义预测模型的结构，将这个结构和目标函数（Objective Function）结合在一起，并添加数据，TensorFlow就将自动为用户计算相关的微分导数。计算某个变量相对于其他变量的导数仅仅是通过扩展图来完成的，所以用户能一直了解计算过程。
（5）多语言支持。TensorFlow具有合理的C++使用界面，也有一个易用的Python使用界面来构建和执行Graphs。用户可以直接写Python、C++程序，也可以通过交互式的IPython界面用TensorFlow尝试某些想法，它可以帮助用户将笔记、代码、可视化内容等有条理地归置好。
支持TensorFlow的语言包括Python、C++、Java、C#等，如图所示，但运用最多的还是Python。
支持TensorFlow的语言
（6）性能最优化。由于TensorFlow提供了对线程、队列、异步操作等的支持，因此可以将用户硬件的计算潜能全部发挥出来。用户可以自由地将TensorFlow图中的计算元素分配到不同设备上，TensorFlow可以管理好这些不同的计算副本。
现在，很多公司都在使用TensorFlow做产品。谷歌在2017年就有6000多个产品在使用TensorFlow。当然，国内的京东、小米等公司也在使用TensorFlow做人工智能的开发。
