1、核心概念：数据流图
先来一段比较官方的描述：
数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。
“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。
张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。
具体的理解如下：
TensorFlow的工作是以数据流图所描述的模式来进行的。
数据流图描述了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。
下图是一个最简单的数据流图。加法运算用圆圈表示，它接收两个输入1和2，并将它们的和通过3输出。计算公式可以简单写为 f(1,2)=1+2=3.
节点(node):在数据流图中，节点通常以圆圈，椭圆或方框表示，代表了对数据所做的运算或某种操作。
再看下图，这是一个相对复杂一点的例子。其中a、b节点是输入节点，作用仅仅是传递输入值，也可以看成函数f(x)=x。C节点执行乘运算的功能，d节点执行加的功能，e节点执行求总和的功能。
因此下图的计算过程可以写为f(5,3)=(5*3) +(5+3) = 23.也就是按如下流程工作：在a节点（可以理解为函数，下同）输入值5，在b节点输入值3，a、b节点分别把他们所获得的输入值传递给c、d节点，c节点进行乘法计算，也就是5*3=15,因此c节点输出了15，而d节点进行加法运算，也就是5+3=8,因此d节点输入了8。c、d节点都把结果再传输给e节点，e节点执行的是求和，也就是15+8=26,最终输入26。这里需要注意的是节点c和d没有依赖关系，因此他们的执行顺序是不确定。
现在我们已经理解了数据流图的含义了，那么，tensorflow中怎么定义数据流图呢？
用于表示上图的数据流图的tensorflow代码如下：
import tensorflow as tf #导入tensorflow库，并赋予它一个别名tf，方便后续使用。
#以下定义了input节点，引用了operation： tf.constant().
#tensorflow中每个节点都被称为一个operation(简记为op)，
#name可以用于对所创建的节点进行标识。
a = tf.constant(5,name="input_a") #a节点
b = tf.constant(3,name="input_b") #b节点
#定义节点c和d。注意我们无需专门对边进行定义，
#tensorflow在创建节点时已经包含了相应的op完成计算所需的全部输入。
#tensorflow会自动绘制必要的链接。
c = tf.mul(a,b,name="mul_c") #c节点
d = tf.add(a,b,name="add_d") #d节点
e=tf.add(c,d,name="add_e) #e节点
#以上完成了一个tensorflow的数据流图定义，但是它仅仅时定义，不会自己运算。
#要想得到输出结果，我们需要运行数据流图。
sess=tf.Session()
sess.run(e)
#Session对象在运行时负责对数据流图进行监督，并且是运行数据流图的主要接口。
如果我们只想的到节点c的结果，需要使用如下代码：
sess.run(c) #这个输出不会导致整个数据流图都计算一遍，而是只运行到节点c为止。
#最后，我们建议运行一下sess.close()函数。
#虽然运算完成后会自动关闭，但手动运行一次该函数，不失为一个良好的编程习惯。
sess.close()