TensorFlow 中的所有计算都会被转化为计算图上的节点。TensorFlow 是一个通过计算图的形式来表述计算的编程系统。TensorFlow中的每个计算都是计算图的一个节点，而节点之间的边描述了计算之间的依赖关系。

import sys
sys.path.append('E:/zlab/')
from plotnet import draw_feed_forward, DynamicShow

TensorFlow 的计算模型是有向图,采用数据流图 (Data Flow Graphs)，其中每个节点代表一些函数或计算，而边代表了数值、矩阵或张量。

数据流图是用于定义计算结构的。在 TensorFlow 中，数据流图本质上是一组链接在一起的函数，每个函数都会将其输出传递给 0 个、1 个或多个位于这个级联链上的其他函数。

with DynamicShow((6, 3), '计算图.png') as d: # 隐藏坐标轴
 seq_list = draw_feed_forward(d.ax, num_node_list=[2, 1, 1])
 seq_list[0][0].text('$1$') 
 seq_list[0][1].text('$2$')
 seq_list[1][0].text('$+$') 
 seq_list[2][0].text('$3$')

如上图，我们使用数据流图表示了 1+2=3

这一个运算。

我们也可以将其抽象化:

with DynamicShow((6, 3), '计算图1.png') as d: # 隐藏坐标轴
 seq_list = draw_feed_forward(d.ax, num_node_list=[2, 1, 1])
 seq_list[0][0].text('$a$') 
 seq_list[0][1].text('$b$')
 seq_list[1][0].text('$c$') 
 seq_list[2][0].text('$d$')

我们也可以将上述过程简化为:

将节点 c 与 d 合并，若 c 表示求和运算，d 表示非线性变换，则上图可以看作是一个神经元。

除了节点和边的概念，数据流图还有一个十分关键的概念：依赖关系。

构建数据流图时，需要两个基础元素：点（node）和边（edge）。

• 节点：在数据流图中，节点通常以圆、椭圆或方框表示，代表对数据的运算或某种操作。

• 边：数据流图是一种有向图，“边”通常用带箭头线段表示，实际上，它是节点之间的连接。指向节点的边表示输入，从节点引出的边表示输出。输入可以是来自其他数据流图，也可以表示文件读取、用户输入。输出就是某个节点的“操作（Operation，下文简称Op）”结果。

除了上述两个概念之外，下面3个概念也很重要，在后面的章节会详细介绍，这里仅做简单介绍。

（1）Session（会话）：根据上下文（context），会话负责管理协调整个数据流图的计算过程。光有数据流图还不够，如果想执行数据流图所描述的计算，还得配备一个专门的会话，来负责图计算。

（2）Op（操作）：就是数据流图中的一个节点，代表一次基本的操作过程。

（3）Tensor（张量）：在TensorFlow 中，所有计算数据的格式，都是一个n维数组，如 t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，就是一个2维张量。

总结一下TensorFlow的工作流程，实际上它体现出来的是一个“惰性”方法论。

（1）构建一个计算图。图中的节点可以是TensorFlow支持的任何数学操作。

（2）初始化变量。将前期定义的变量赋初值。

（3）创建一个会话。这才是图计算开始的地方，也是体现它“惰性”的地方，也就是说，仅仅构建一个图，这些图不会自动执行计算操作，而是还要显式提交到一个会话去执行，也就是说，它的执行，是滞后的。

（4）在会话中运行图的计算。把编译通过的合法计算流图传递给会话，这时张量（tensor）才真正“流动（flow）”起来。

（5）关闭会话。当整个图无需再计算时，则关闭会话，以回收系统资源。