# 3.4  TensorFlow计算模型 – 数据流图

**3.4.1 数据流图的概念**

数据流图（如图3所示）是一个有向图，由以下内容构成：

•        一组节点，每个节点都代表一个操作，是一种运算

•        一组有向边，每条边代表节点之间的关系（数据传递和控制依赖）

TensorFlow有两种边：

•        常规边（实线）：代表数据依赖关系。一个节点的运算输出成为另一个节点的输入，两个节点之间有tensor流动（值传递）

•        特殊边（虚线）：不携带值，表示两个节点之间的控制相关性。比如，happens-before关系，源节点必须在目的节点执行前完成执行

![图3-3 数据流图](https://80031148-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LYtTdBhaX9EsGjMVkHV%2F-Lb2nQ_Ud0NRKXJsa1xZ%2F-Lb2nc10Mu_8JwXP4Aw5%2F1.gif?alt=media\&token=c5d09a0d-a1b9-42c5-b75e-4162536c4339)

**3.4.2 数据流图的实例**

![ 图3-4 一个简单的计算图](https://80031148-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LYtTdBhaX9EsGjMVkHV%2F-Lb2nQ_Ud0NRKXJsa1xZ%2F-Lb2nz6_s-h2T3M1d7EK%2F%E6%8D%95%E8%8E%B7.PNG?alt=media\&token=2565c673-8d6a-4bb1-950b-f7937e0319bc)

可以从图4看出，打印输出的结果不是一个具体的数字，而是一个**张量的结构**。

**3.4.3 数据流图的执行**

![ 图3-5 数据流图的执行](https://80031148-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LYtTdBhaX9EsGjMVkHV%2F-Lb2ohdZjwYIwdnCcaH3%2F-Lb2okUKzZ-XJ87iU-q8%2F1.png?alt=media\&token=57daca7b-c4d1-40c6-9038-3c0eef196597)

图5承接图4，可以看出，TensorFlow的计算过程首先创建一个**静态的计算模型**，然后执行对话才将数据输入获得结果。（注：TensorFlow 1.7之后的版本提供了Eager Execution的功能，可以实现动态图的编程。）

## > 示例代码 <a href="#shi-li-dai-ma" id="shi-li-dai-ma"></a>

{% code title="1.py" %}

```python
# 一个简单计算图
node1 = tf.constant(3.0,tf.float32,name="node1")
node2 = tf.constant(4.0,tf.float32,name="node2")
node3 = tf.add(node1, node2)
print(node3)

# 建立对话并显示运行结果
sess = tf.Session()

print("运行sess.run(node1)的结果：", sess.run(node1))
# 更新变量并返回计算结果
print("运行sess.run(node3)的结果：", sess.run(node3))

# 关闭session
sess.close()
```

{% endcode %}