目前主流的TensorFlow，用tensorflow这样工具的原因是：它允许我们用计算图（Computational Graphs）的方式建立网络。同时又可以非常方便的对网络进行操作。
下面就是对计算图的直观讲解。
比喻说明：
- 结构：计算图所建立的只是一个网络框架。在编程时，并不会有任何实际值出现在框架中。所有权重和偏移都是框架中的一部分，初始时至少给定初始值才能形成框架。因此需要initialization初始化。
- 比喻：计算图就是一个管道。编写网络就是搭建一个管道结构。在投入实际使用前，不会有任何液体进入管道。而神经网络中的权重和偏移就是管道中的阀门，可以控制液体的流动强弱和方向。在神经网络的训练中，阀门会根据数据进行自我调节、更新。但是使用之前至少要给所有阀门一个初始的状态才能形成结构。用计算图的好处是它允许我们可以从任意一个节点处取出液体。
用法说明：
请类比管道构建来理解计算图的用法
构造阶段（construction phase）：组装计算图（管道）
- 计算图（graph）：要组装的结构。由许多操作组成。
- 操作（ops）：接受（流入）零个或多个输入（液体），返回（流出）零个或多个输出。
- 数据类型：主要分为张量（tensor）、变量（variable）和常量（constant）
- 张量：多维array或list（管道中的液体）
- 创建语句：
tensor_name=tf.placeholder(type, shape, name)
- 变量：在同一时刻对图中所有其他操作都保持静态的数据（管道中的阀门）
- 创建语句：
name_variable = tf.Variable(value, name)
- 初始化语句：
#个别变量init_op=variable.initializer()#所有变量init_op=tf.initialize_all_variables()#注意：init_op的类型是操作（ops），加载之前并不执行
- 更新语句：
update_op=tf.assign(variable to be updated, new_value)
- 常量：无需初始化的变量
- 创建语句：
name_constant=tf.constant(value)
执行阶段（execution phase）：使用计算图（获取液体）
- 会话：执行（launch）构建的计算图。可选择执行设备：单个电脑的CPU、GPU，或电脑分布式甚至手机。
- 创建语句：
#常规sess = tf.Session()#交互sess = tf.InteractiveSession()#交互方式可用tensor.eval()获取值，ops.run()执行操作#关闭sess.close()
- 执行操作：使用创建的会话执行操作
- 执行语句：
sess.run(op)
- 送值（feed）：输入操作的输入值（输入液体）
- 语句：
sess.run([output], feed_dict={input1:value1, input2:value1})
- 取值（fetch）：获取操作的输出值（得到液体）
- 语句：
#单值获取sess.run(one op)#多值获取sess.run([a list of ops])
