5.3.2 TensorFlow编程思想
从内部机制上来说，TensorFlow（TF）就是通过建立数据流图来进行数值计算。所以，当使用TF来搭建模型时，其实主要涉及两个方面：根据模型建立数据流图，然后送入数据运行数据流图得到结果。数据流图中每个操作会有输入与输出，并且输入和输出都是张量，所以使用TF的操作可以构建自己的机器学习模型，其背后的TensorFlow编程逻辑就是一个数据流图。这个数据流图是静态的，即这个数据流图中每个节点接收什么样的张量和输出什么样的张量，在运行前已经固定下来了。
前面已经学过，要运行数据流图，需要开启一个会话，只有在Session中这个数据流图才可以真正运行。
图5⁃19所示Python代码就可以构建一个与图5⁃17相匹配的数据流图。
图5⁃19 构建数据流图
代码很简洁，首先导入tensorflow库，并定义一个数据流图实例tf，代码3~7行用于创建tf的a、b、c、d、e五个节点，其中，a节点为输入节点，其输入为常数4；b节点也是输入节点，其输入为常数2；c节点是乘法操作节点，其输入为a和b两个节点的输出，即4和2；d节点是加法操作节点，其输入也为a和b两个节点的输出，即4和2；e节点也是加法操作节点，其输入为c和d两个节点的输出，即8和6。第9行代码定义了一个tf会话，第10行代码，启动该会话的执行，输出节点e的操作结果，即14。
一般来讲，TensorFlow的程序由两大部分构成：
①构建数据流图（代码第3~7行）。(https://www.daowen.com)
②运行数据流图（代码第9~11行）。
现在总结一下TensorFlow的编程思路如下：
第一步 构建一个数据流图。图中的节点可以是TensorFlow支持的任何数学操作。
第二步 初始化变量。将前期定义的变量赋初值。
第三步 创建一个会话。这才是图计算开始的地方，也是体现它“惰性”的地方，也就是说，仅仅构建一个图，这些图不会自动执行计算操作，而是还要显式提交到一个会话去执行。也就是说，它的执行，是滞后的。
第四步 在会话中运行图的计算。把编译通过的合法数据流图传递给会话，这时张量（Tensor）才真正“流动（Flow）”起来。
第五步 关闭会话。当整个数据流图无须再计算时，则关闭会话，回收系统资源。
