一、TensorFlow 设计原则
1. 高性能
TensorFlow 中的算子，设计过程中已经针对底层硬件架构进行了充分的优化。针对生成的计算图，TensorFlow 又提供了一系列的优化操作，以提升计算图的运行效率。TensorFlow 调度器可以根据网络结构特点，并发运行没有数据依赖的节点。
2. 易开发
TensorFlow 针对现有的多种深度学习算法，提取了大量的共性运算，并封装成算子。用户使用 TensorFlow 进行算法开发时，能够直接调用这些算子，很方便的实现算法。
3. 可移植
TensorFlow 可工作于各种类型的异构系统，对每个算子（例如矩阵乘法）提供在不同设备上的实现，使得统一的用户程序可以在不同硬件平台上执行。
二、TensorFlow 计算图机制
1. 计算图的自动求导
深度学习中通常采用梯度下降法来更新模型参数，但对于复杂模型，手动计算梯度
非常困难。目前大部分深度学习框架均提供自动梯度计算功能，用户只需描述前向计算的过程，由编程框架自动推导反向计算图，完成导数计算。
① 手动求解法（手动用链式法则求解出梯度公式，代入数值，得到最终梯度值），缺点：（1）需要手动编写梯度求解代码；（2）每次修改算法模型，都要