本文将脱离tensorflow的语境，介绍一些数据流图的基础知识，内容包括节点，边和节点以来关系。此外，为对一些关键原理进行解释，本文还提供了若干实例。
1.数据流图简介
借助Tensorflow api用代码描述的数据流图是每个tensorflow程序的核心。其本质是一组链接在一起的函数，每个函数都会将其输出传递给0个，1个或多个位于这个级联链上的其他函数。
这是一个最简单的数据流图。加法运算用圆圈表示，它接收两个输入1和2，并将它们的和通过3输出。计算公式可以简单写为 f(1,2)=1+2=3.
节点(node):在数据流图中，节点通常以圆圈，椭圆或方框表示，代表了对数据所做的运算或某种操作。
边(edge):则对应于向节点传入和传出的实际数值，通常用箭头表示。也可视为不同operation之间的连接。
再看个复杂一点的例子，input节点的作用仅仅是传递他们的输入值，也可以看成函数f(x)=x。
因此上图的计算过程可以写为f(5,3)=(5*3) +(5+3) = 23. 这里需要注意的是节点c和d没有依赖关系，因此他们的执行顺序是不确定。当然不管谁先执行都会得到正确的结果。
继续复杂化数据流图。现在节点b的值传递给了节点e，节点e就不是简单的加运算了，而是求和运算。
2.数据流图的依赖关系
在数据流图中，节点之间的某些类型链接是不允许的，例如造成循环依赖(circular dependency)的链接。
首先什么是依赖？如上图，假如节点c因为某个异常没有输出，那么最终节点e的计算结果就不正确了，那么节点e就依赖节点c。实际上节点a出现异常，节点e也没法计算，因此节点a和b也是节点e的依赖节点。
什么是独立节点了？假如两个节点的输出彼此必须要来自对方的任何信息，那么就称这两个节点相互独立。如上图节点a和节点b是独立的；节点c和节点d也是独立的。独立节点的计算可以不分先后的。
循环依赖：假如两个节点相互需要依赖对方，就形成循环依赖。也就是有向图中出现了环路。
由于循环依赖容易造成软件的异常，tensorflow中真正的循环依赖是无法表示的。实际使用中，可以通过对数据流图进行有限次的复制，然后 把本轮迭代的输出与下轮的输入串联，这称为数据流图的展开(unrolling)。如下图所示：
3.tensorflow中怎么定义数据流图
当你掌握了各种数学概念，并学会如何实现它们时，对tensorflow核心工作模式的理解将有助于你踏实地开展工作。而它的工作模式只有两个步骤：定义数据流图和运行数据流图。
先看一个简单的例子。
用于表示该数据流图的tensorflow代码如下：
import tensorflow as tf #导入tensorflow库，并赋予它一个别名tf，方便后续使用。
a = tf.constant(5,name="input_a")
b = tf.constant(3,name="input_b") #定义了input节点，引用了operation： tf.constant(). tensorflow中每个节点都被称为一个operation(简记为op)，name可以用于对所创建的节点进行标识。
c = tf.mul(a,b,name="mul_c")
d = tf.add(a,b,name="add_d") #定义节点c和d。注意我们无需专门对边进行定义，tensorflow在创建节点时已经包含了相应的op完成计算所需的全部输入。tensorflow会自动绘制必要的链接。
e=tf.add(c,d,name="add_e)
以上完成了一个tensorflow的数据流图定义，但是它仅仅时定义，不会自己运算。要想得到输出结果，我们需要运行数据流图。
sess=tf.Session()
sess.run(e)
Session对象在运行时负责对数据流图进行监督，并且时运行数据流图的主要接口。如果我们只想的到节点c的结果，需要使用如下代码
sess.run(c) #这个输出不会导致整个数据流图都计算一遍，而是只运行到节点c为止。
最后，我们建议运行一下sess.close()函数。虽然运算完成后会自动关闭，但手动运行一次该函数，不失为一个良好的编程习惯。
本文重点介绍了数据流图的概念和实现方式。为了不让问题复杂化，我们使用了标量作为数据流图的输入。下一次我们重点讨论以下张量(或者说矩阵)的数据流图的实现。