为什么说是大致呢？作为一个初学者刚看TensorFlow没几天，所以也就是根据自己的理解来说说，所以只能是大致，并且很有可能还是错的，只是目前为止的个人见解。
1. 运行模式
TensorFlow翻译成中文就是张量流，所以TensorFlow至少代表着两个概念：“张量”和“流”。这儿不过多的追究张量，可以简单的把它理解成变量；关键要说的是“流”。
怎么来说明这个“流”呢？我们先来看一段用python写的普通代码：
a=1
print("a=",a) # a = 1
b=2
print("b=",b) # b = 2
c=a+b
print("c=",c) # c = 3
d=b+2
print("d=",d) # d = 4
e=c*d
print("e=",e) # e = 13似乎看起来也没啥很平常，当然也确实没啥。之所以这么认为是因为没有对比，所谓没有对比就没有伤害。下面我们用TensorFlow框架再来把这段程序写一遍
import tensorflow as tf
a=tf.constant([1],dtype=tf.int32,name='iama')
print(a)
b=tf.constant([2],dtype=tf.int32,name='iamb')
print(b)
c=a+b
print(c)
d=b+2
print(d)
e=c*d
print(e)
结果：
Tensor("iama:0", shape=(1,), dtype=int32)
Tensor("iamb:0", shape=(1,), dtype=int32)
Tensor("add:0", shape=(1,), dtype=int32)
Tensor("add_1:0", shape=(1,), dtype=int32)
Tensor("mul:0", shape=(1,), dtype=int32)发现没有，居然和我们想象中的结果不一样，输出来的只是每个变量的信息。那这么样才能得到我们想象说得结果呢？
在第18号后面加上如下几句代码即可：
with tf.Session() as sess:
print(sess.run(a))
print(sess.run(b))
print(sess.run(c))
print(sess.run(d))
print(sess.run(e))
结果
[1]
[2]
[3]
[4]
[12]从上面的两个例子可以发现：
(1)传统方式写的程序，对于任意一个变量，我们随时都可以输出其结果；
(2)用TensorFlow框架写的程序，对于每一个变量，我们必须run()一下才能得到其对应的结果；
为什么会这样呢？根据上面的程序，我们可以大致画出如下一个计算图：
里面的每一个节点，表示的仅仅只是其对应的结构信息（形状，类型，操作等），并不是代表其真实值。例如a节点表示"iama:0", shape=(1,), dtype=int32;c节点表示Tensor("add:0", shape=(1,), dtype=int32)，其中’add’是指c这个变量是通过加法操作得到的。
而每一条边表示各个变量之间的依赖关系。如c依赖于a,b；a,b不依赖于任何变量。当执行run()的时候，就对应执行每个节点所对应的操作，并且返回这个操作后的结果，这就是TensorFlow的设计理念。
例如：
在执行run(a)时，就对应把1赋值给常量a;
在执行run(c)时，就对应先把1赋值给常量a，再把2赋值给常量b,最后把a+b这个操作后的结果赋值给c；
在执行run(e)时，就对应把图中所有的操作都执行一遍，TensorFlow会根据图中的依赖关系自动处理；
由此我们可以知道：run(node)的本质就是执行所有node所依赖的节点对应的操作，并且返回node节点对应操作后的值
所以，利用TensorFlow框架写程序时定义的每一变量、常量，其实都只是在计算图上生成了一个对应的节点。
2. tf.placeholder()
刚开始接触TensorFlow的时候，总会被这个placeholder()占位符所困惑。有了上面对于TensorFlow理念的理解，再来看这个占位符就会一目了然了。
用TensorFlow写网络的时候，训练前我们往往不知道x和y的具体大小，但在写前项传播时又不得不先在计算图中定义这么一个节点，因为其他变量会依赖它。此时，我们就可以先在网络中给这些变量留（占）一个位置，等到训练的时候根据batch的尺寸就能确定x,y的大小了。而用来占位置的东西，我们就称之为占位符，先把茅坑占着。
3. 实例