TensorFlow最基本的一次計算流程通常是這樣的：首先它接受n個固定格式的數據輸入，通過特定的函數，將其轉化為n個張量（Tensor）格式的輸出。

　　一般來說，某次計算的輸出很可能是下一次計算的（全部或部分）輸入。整個計算過程其實是一個個Tensor 數據的流動過程。在這其中，TensorFlow將這一系列的計算流程抽象為了一張數據流圖（Data Flow Graph）。簡單來說，數據流圖，就是在邏輯上描述一次機器學習計算的過程。下面我們以圖11-26為例，來說明TensorFlow的幾個重要概念。

　　構建數據流圖時，需要兩個基礎元素：點（node）和邊（edge）。

　　? 節點：在數據流圖中，節點通常以圓、橢圓或方框表示，代表對數據的運算或某種操作。例如，在圖11-26中，就有5個節點，分別表示輸入（input）、乘法（mul）和加法（add）。

　　? 邊：數據流圖是一種有向圖，“邊”通常用帶箭頭線段表示，實際上，它是節點之間的連接。指向節點的邊表示輸入，從節點引出的邊表示輸出。輸入可以是來自其他數據流圖，也可以表示文件讀取、用戶輸入。輸出就是某個節點的“操作（Operation，下文簡稱Op）”結果。在圖11-26中的例子中，節點c接受兩個邊的輸入（2和4），輸出乘法的（mul）結果8。

　　在本質上，TensorFlow的數據流圖就是一系列鏈接在一起的函數構成，每個函數都會輸出若干個值（0個或多個），以供其它函數使用。在圖11-26中，a和b是兩個輸入節點（input）。這類節點并非可有可無，它的作用是傳遞輸入值，并隱藏重復使用的細節，從而可對輸入操作進行抽象描述。

　　除了上述兩個概念之外，下面3個概念也很重要，在后面的章節會詳細介紹，這里僅做簡單介紹。

　　（1）Session（會話）：根據上下文（context），會話負責管理協調整個數據流圖的計算過程。光有數據流圖還不夠，如果想執行數據流圖所描述的計算，還得配備一個專門的會話，來負責圖計算。

　　（2）Op（操作）：就是數據流圖中的一個節點，代表一次基本的操作過程。

　　（3）Tensor（張量）：在TensorFlow 中，所有計算數據的格式，都是一個n維數組，如 t = ［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］，就是一個2維張量。