版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_41455420/article/details/84777222
TensorFlow的设计理念主要体现在以下两个方面。
一、将图的定义和图的运行完全分开，TensorFlow 被认为是一个“符号主义”的库。
编程模式通常分为命令式编程（imperative style programming）和符号式编程
（symbolic style programming）。命令式编程就是编写我们理解的通常意义上的程序，很容易理解和调试，按照原有逻辑执行。符号式编程涉及很多的嵌入和优化，不容易理解和调试，但运行速度相对有所提升。现有的深度学习框架中，Torch 是典型的命令式的，Caffe、MXNet 采用了两种编程模式混合的方法，而 TensorFlow 完全采用符号式编程。
符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量之间的计算关系，最后需要对数据流图进行编译，但此时的数据流图还是一个空壳儿，里面没有任何实际数据，只有把需要运算的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。
例如：
t = 8 + 9
print(t)
在传统的程序操作中，定义了 t 的运算，在运行时就执行了，并输出 17。而在 TensorFlow中，数据流图中的节点，实际上对应的是 TensorFlow API 中的一个操作，并没有真正去运行：
import tensorflow as tf
t = tf.add(8, 9)
print(t)
# 输出 Tensor("Add_1:0", shape=(), dtype=int32)
定义了一个操作，但实际上并没有运行。
二、TensorFlow 中涉及的运算都要放在图中，而图的运行只发生在会话中。
开启会话后，就可以用数据去填充节点，进行运算；关闭会话后，就不能进行计算了。因此，会话提供了操作运行和 Tensor 求值的环境。例如：
import tensorflow as tf
# 创建图
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b
# 创建会话
sess = tf.Session()
# 计算 c
print sess.run(c) # 进行矩阵乘法，输出[3., 8.]
sess.close()
喜欢就点赞评论+关注吧
感谢阅读，希望能帮助到大家，谢谢大家的支持！