本节书摘来自华章出版社《面向机器智能的TensorFlow实践》一书中的第1章，第1.8节，作者 山姆·亚伯拉罕（Sam Abrahams）丹尼亚尔·哈夫纳（Danijar Hafner）[美] 埃里克·厄威特（Erik Erwitt）阿里尔·斯卡尔皮内里（Ariel Scarpinelli），更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1.8 使用TensorFlow所面临的挑战
1.分布式支持尚不成熟
虽然分布式运行时已正式发布，但在TensorFlow中使用这种特性却并非想象中那样容易。在本书写作之时，为使用该特性，需手工定义每台设备的角色，这种工作既乏味又容易出错。由于它是一种全新的特性，因此可供学习的例程较少，想必未来的版本应当会有所改进。如前文所述，对Kubernetes的支持已进入开发流水线，但到目前为止，它仍然尚未完成。
2.实现定制代码的技巧性较强
虽然关于如何用TensorFlow创建用户自己的运算有一份官方指南可供参考，但要将定制的代码实现到TensorFlow中仍然颇费周折。然而，如果希望对主代码库做出贡献，谷歌开发团队会快速回答你的问题，并查看你所提交的代码，以便为吸纳你的工作成果进行准备。
3.某些特性仍然缺失
如果你是一名经验丰富的机器学习专家，并对其他框架具备深入的了解，你可能会发现一些自己喜欢的虽小但十分有用的特性尚未在TensorFlow中实现。通常，你想要的这种特性在TensorFlow中会有一些替代方案，但这可能无法阻止你的抱怨“为什么它还未得到本地支持？”
