TensorFlow的命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算。TensorFlow是张量从图的一端流动到另一端的计算过程，这也是TensorFlow的编程模型。
一 运行机制
TensorFlow的运行机制属于“定义”和“运行”相分离。从操作层面可以抽象为两种：模型的构建和模型的运行。
二 基本概念
张量（Tensor）：数据，即某一类型的多维数组。
变量（Variable）：常用于定义模型中的参数，是通过不断训练得到的值。
占位符（placeholder）：输入变量的载体。可以理解为定义函数时的参数。
图中的节点操作（OP）：即一个OP获得0个或多个tensor，执行计算，输出额外的0个或多个tensor。
三 说明
这些概念都是在一个叫“图”的容器中完成的。关于“图”，有以下几点需要理解。
一个“图”代表一个计算任务。
在模型运行的环节中，“图”会在会话（session）里被启动。
session将图的OP分发到如CPU或GPU之类的设备上，同时提供执行OP的方法。这些方法执行后，将产生的tensor返回。在python语言中，返回的tensor是numpy ndarray对象；在C和C++语言中，返回的tensor是TensorFlow::Tensor实例。
四 session和图的工作关系
五 三种场景
1 训练场景
是实现模型从无到有的过程，通过对样本的学习训练，调整学习参数，形成最终模型。其过程是将给定的样本和标签作为输入节点，通过大量的循环迭代，将图的中的正向运算得到输出值，再进行反向运算，以更新模型中的学习参数，最终使模型产生的正向结果最大化地接近样本标签。这样就得到一个可以拟合样本规律的模型。
2 测试场景和使用场景
测试场景是利用图的正向运算得出的结果与真实值进行比较的差别。
使用场景也是利用图的正向运算得到结果，并直接使用。
这两场景的运算过程是一样的。和正常编程用到的函数特别相似。
在函数中，可以分为实参、形参、函数体和返回值。
同样在模型中，实参就是输入的样本，形参就是占位符，运算过程就相对于函数体，得到的结果相对于返回值。
六 数据的流向机制
注入机制（feed）：通过占位符向模式中传入数据。
取回机制（fetch）：从模式中得到结果。
