通过几个例程，我们逐渐对 TensorFlow 建立了感性认识。本文将进一步从内在原理进行深入理解，进而为阅读源码打好基础。

1. 图（Graph）

TensorFlow 计算被抽象为包括若干节点的有向图。如下图所示例子：

对应的 TensorFlow Python 代码如下：

import tensorflow as tf
b = tf.Variable(tf.zeros([100]))                   # 100-d vector, init to zeroes
W = tf.Variable(tf.random_uniform([784,100],-1,1)) # 784x100 matrix w/rnd vals
x = tf.placeholder(name="x")
relu = tf.nn.relu(tf.matmul(W, x) + b)
C = [...]
s = tf.Session()
for step in xrange(0, 10):
  input = ...construct 100-D input array ...
  result = s.run(C, feed_dict={x: input})
  print step, result

在 TensorFlow 有向图中，每个节点表示运算符，可以有零个或多个输入，零个或多个输出。

在有向图的普通棱边（从一个节点输出到另一个节点输入）流动的数值称为张量（Tensor），本质为任意维度数组。张量的元素数据类型可以显式指定或在构建有向图时推断得到。

有关图及张量的实现源码均位于 tensorflow/tensorflow/python/framework/ops.py，我们后面会细讲。

2. 运算符（Operations）与核函数（Kernels）

TensorFlow 支持多种常用运算符，如矩阵乘、加法。

核函数是运算符的特定实现，可以运行在特定类型设备上（如 CPU 或 GPU ）。

TensorFlow 通过注册机制来确定支持的运算符集合和核函数，方便进一步扩展。

表1 展示了 TensorFlow 内置的一些运算符种类：

运算符相关的代码位于：tensorflow/tensorflow/python/ops/ 目录下。以数学运算符为例，代码为上述目录下的 math_ops.py，间接地调用了 gen_math_ops.py，又调用了 tensorflow/tensorflow/core/kernels/ 下面的核函数实现。这些我们会在后面细讲。

3. 会话（Sessions）

客户端程序通过创建会话同 TensorFlow 系统交互。

为了创建一个计算图，会话接口支持扩展方法来补充当前图。

Run 接口允许指定将某个张量 Tensor 作为入口参数馈入计算图，得到一组计算输出。

会话相关源码位于 tensorflow/tensorflow/python/client/session.py，具体我们会在后面细讲。

4. 变量（Variables）

大多数计算中，有向图会执行多次。

大多数张量生命周期都不会超过有向图的一次执行。

变量是特殊运算，返回一个持续可更改的张量句柄，生命周期横亘有向图的多次执行。

变量句柄可以传递给大量特殊操作，如 Assign（=），AssignAdd（+=）。

对于机器学习应用，模型权值一般都会存放在变量中，更新操作会作为训练有向图 Run 的一部分。

变量相关源码位于 tensorflow/tensorflow/python/ops/variables.py，是一类特殊的运算。后面我们会细讲。