对TensorFlow基础概念的理解

TensorFlow的核心程序由2个部分组成：

构建计算图：Building the computational graph
运行计算图：Running the computational graph

首先我们先了解一些TensorFlow相关的单词：
tensor张量、graph图、computational graph计算图、operation(op)操作、session会话、variable变量、placeholders占位符、feed_dict传递字典、name_scope名字作用域

接下来我们了解一些TensorFlow的基础概念：

张量：TensorFlow核心的基本数据单元。张量是一个多维数组。
图：默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象。
计算图：由一系列的tensorflow的操作组成，并且这些操作编配成计算图的节点。
会话：TensorFlow的运行模型，通过会话来存储执行计算图。
变量：当训练模型时，用变量来存储和更新参数。建模时它们需要被明确地初始化，当创建一个变量时，需要将一个张量作为初始值传入构造函数Variable()。变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的值就是张量。是在模型训练中，允许修改的量。相同的输入，通过修改变量得到不同输出值。
占位符：在计算图中，能够接受额外输入，通常情况下，提供的值晚于定义。意义在于，在程序执行的时候,不确定输入的是什么，提前“占个坑”。
传递字典：参数传递具体的值到run方法的占位符来进行多个输入。
名字作用域：管理变量的集合，调用范围内创建的所有计算图形元素都有名称。

理解：
TensorFlow，张量的流动，我们可以把TensorFlow当成是一个工厂，名字叫做“张量工厂”。
对TensorFlow基础概念的理解
一个工厂通过设备，生产原料，能源等，生产出产品。那么在我们的“张量工厂”中，我们的生产原料就是“张量”，我们的设备就是“操作op”，合理组装这些设备就成为了“计算图”，这些生产原料和设备，构成了我们的工厂即“图”。那么有了生产原料和工厂，之后我们就可以进行生产，只需要老板动一动手指按下启动按钮，那么整个工厂，就会运行起来。

张量工厂的组成：

生产原料：张量tensor。
生产设备：操作operation(op)，接收仓库的tensor，清洗数据tensor，处理数据tensor 。
工厂：图graph，由“生产原料”和“生产设备”组成，整个程序。
流水线：计算图computational graph，有一系列的设备op组成，加工仓库的原料和中间产品tensor
董事会：会话session，董事会在会议上决定共产是否启动启动（run）工厂graph生产产品tensor。
仓库：变量variable，仓库内的原料tensor或者生产出的中间产品tensor，但只能是一种类型的（维度），不能原来存放的是HCl，现在存放NaCO3（因为维度不同），仓库中的tensor在进入流水线之前，必须先拆掉包装（必须先初始化），然后才能被设备使用。
通用原料容器：占位符placeholders，同一条生产线，今天我可能生产花生酱，明天生产草莓酱，我不确定到底会生产什么，所以我单独设置这样的原料容器，提前占个位置，这样无论生产什么我都不需要专门使用一个容器，只需要防止一个通用容器。
仓库大门：传递字典feed_dict，通过这个大门，我们向仓库中存入tensor。
生产车间：名字作用域name_scope，就像是，清洗车间、组装车间等，每个车间都包含生产设备op。

这个图就很好的体现了“TensorFlow”，张量Tensor在计算图中流动Flow。
这个图中流动的线就是生产原料和中间产品tensor；每一个灰色的方块，ReLu Layer，Logit Layer，Gradients，SGD Trainer，都是生产车间name_scope，有了生产车间就方便我们管理设备；在每个生产车间中的图形，就是我们的生产设备operation，他们加工原料tensor。