在TensorFlow官网（https://tensorflow.google.cn/?hl=en，英文）上，这样描述TensorFlow：
- The core open source library to help you develop and train ML models.（一个核心开源库，可以帮助用户开发和训练机器学习模型）
- TensorFlow is an end-to-end platform that makes it easy for you to build and deploy ML models.（TensorFlow 是一个端到端平台，无论用户是专家还是初学者，它都可以让用轻松地构建和部署机器学习模型。）
- An entire ecosystem to help you solve challenging, real-world problems with machine learning。（一个完整的生态系统，可以帮助用户）
综上所述，我们可以这样定义TensorFlow：TensorFlow是一个用于训练和建立机器学习模型的开源库，也是一个用于构建和部署机器学习模型平台，同时还是一个使用机器学习解决棘手的现实问题的完整的生态系统。
- 开源。TensorFlow采用的开源协议是apache2.0，任何个人和组织可以下载、修改和使用其代码。
- 灵活的构建模型。TensorFlow提供多个抽象级别，用户可以根据自己的需求选择合适的方式构建模型。例如，如果用户期望轻松、快速的建立机器学习模型，可以使用高阶 Keras API 构建和训练机器学习模型；如果用户需要更高的灵活性，则可以借助即刻执行环境（Eager模式）进行快速迭代和直观的调试；对于大型机器学习训练任务，用户可以使用 Distribution Strategy API 在不同的硬件配置上进行分布式训练，而无需更改模型定义。
- 统一的机器学习生产平台。不论是在服务器、边缘设备还是网络上，也不论用户采用何种语言或平台，TensorFlow 都可以助用户轻松地训练和部署模型，并且直接用于生产环境。针对不同的环境，可以选择不同的TensorFlow产品模块。
- 强大的研究实验。借助 Keras Functional API 和 Model Subclassing API 等功能，TensorFlow 可以在不降低速度或性能的前提下，帮助用户灵活地构建和训练先进的模型和创建复杂拓扑并实现相关控制。在即刻执行环境（eager模式）下，用户可以轻松地设计原型并快速进行调试。
- 灵活的扩展功能。TensorFlow 还支持强大的附加库和模型生态系统以供用户开展实验，包括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT。