TF模型部署的特点

可扩展性、稳定性、可靠性（能经历大规模多应用部署的考验）好
支持将模型部署到不同的设备，可在移动端进行产品的部署，不需要单独的模型解码器
TF serving高性能，开源的机器学习服务系统，专为部署设计的
1. TF serving可以结合docker一起使用，部署方便
2. 提供了REST和GRPC的接口
3. 支持regression，classify，predict 的api
4. serving的轻量化可以很好的解决服务问题
TF采用分布式的架构，对云的处理适应能力好，适合大规模项目的部署
TF有Js的版本，支持的浏览器端训练推理
Tensorboard的可视化工具便于查看数据
各个平台上都能跑，win、Linux、MacOS、Android、iOS都能方便的使用
可以用python接口，也有高性能的C++接口
支持离线多机多cpu、gpu的分布式训练，还有在线提供serving的一整套解决方案，快速落地项目，极大减少工程成本

TF模型部署的特点