TensorFlow** 是一个用于数值计算的Python 库， 可以描述一幅数据计算的数据流图（data flow graph）。
TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

数据流图如下，来自TensorFlow中文社区

Data Flow Graph

会话 (Session)：TensorFlow描述的计算流程图需要在Session中启动；Session将其与C++后端连接，为其分配计算设备（CPU 或 GPU）和提供计算方法，反复训练模型。

节点（Nodes）：在图中表示数学操作，例如，数据输入（feed in）的起点或输出（push out）的终点；

线（edges）：线输送节点间相互联系和不断变化的多维数据数组(即张量, tensor）。

TensorFlow 程序

TensorFlow 程序分为计算图构建和执行两个步骤；

计算图构建：除了起始和终止层外，每个操作的输入都是其它操作输出，操作的输出也是其它操作的输入。计算图构建就是将数据计算内容和过程用一个数据流图表示出来。

计算图执行：计算图构建之后，需要创建一个会话，然后才能启动图；当会话没有参数时，会话会启动默认图。

# 启动默认图.

sess = tf.Session()

#Run执行args中的数据传入，计算，以及获取最终的输出。

result = sess.run(args)

# 任务完成, 关闭会话，释放资源。

sess.close()

#”with" 代码块 来自动完成关闭动作.

with tf.Session() as sess:
  result = sess.run(args)
  print result

TensorFlow与GPU、CPU

默认情况下，TensorFlow会利用找到的第一个GPU进行运行运算，但是可以适用with...Device 来选定运算使用的CPU 或 GPU :

with tf.device("/gpu:1"):

• "/cpu:0": 机器的 CPU.
• "/gpu:0": 机器的第一个 GPU。
• "/gpu:1": 机器的第二个 GPU。

交互式使用

在交互式操作中，使用一个会话启动图并不是很方便；因此可以使用 InteractiveSession 代替 Session 类和 Tensor.eval() 和 Operation.run() 方法代替 Session.run()；这样就不会把计算就分放到不同的会话中来。

# 进入一个交互式 TensorFlow 会话.
import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])

# 使用初始化器 initializer op 的 run() 方法初始化 'x' 
x.initializer.run()

# 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果 
sub = tf.sub(x, a)
print sub.eval()
# ==> [-2. -1.]

张量

在TensorFlow计算图中，线运输的数据会不断被操作和变化；tensor 可以看作是一个 n 维的数组或列表. 一个 tensor 包含一个静态类型 rank和 一个 shape.

变量

变量维护图执行过程中的状态信息.

启动图后, 变量必须要初始化,

#将所有变量都进行初始化
init_op = tf.initialize_all_variables()  

Fetch

会话执行(Session.run)计算图时，可以将tensor的数据输出。

result = sess.run(tensor_args)

Feed

在计算图中引入tesor替代操作的输出。

学习资料来源：

TensorFlow中文社区