系统架构
TensorFlow的系统架构，自底向上分为设备层和网络层、数据操作层和图计算层、API层、应用层，其中设备层和网络层、数据操作层、图计算层是TensorFlow的核心层。
下面我们就自底向上地详细地介绍以下TensorFlow的系统架构。因为只有这样我们才能明白它的工作原理，更好地应用到我们的实际场景中去。最下层是网络通信层和设备管理层。网络通信层包括gRPC（googleRemoteProcedureCallProtocol）和远程直接数据存取，这都是在分布式计算时需要用到的。设备管理层包括TensorFlow分别在CPU、GPU、FPGA等设备上的实现，也就是对上层提供了一个统一的接口，使上层只需要处理卷积等逻辑，而不需要关心在硬件上的卷积的实现过程。
其上是数据操作层，主要包括卷积函数、激活函数等操作。再往上是图计算层，这一层是我们需要了解的核心内容，包括本地计算图和分布式计算图的实现。再往上是API层和应用层。
设计理念
TensorFlow的设计理念主要体现在以下两个方面。
将图的定义和图的运行完全分开。因此，TensorFlow被认为是一个“符号主义”的库。我们知道，编程模式通常分为命令式编程和符号式编程。命令式编程就是编写我们理解的通常意义上的程序，很容易理解和调试，按照原有逻辑执行。符号式编程涉及很多的嵌入和优化，不容易理解和调试，但运行速度有所提升。现有的深度学习框架中，Torch是典型的命令式的，Caffe、MXNet采用了两种编程模式混合的方法，而TensorFlow完全采用符号式编程。符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量之间的计算关系，最后只需要对数据流图进行编译，但此时的数据流图还是一个空壳，里面没有任何实际数据，只有把需要运算的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。比如，我们来看一个具体的实例：
这一段代码可以说是异常简单了，我们很清楚在传统的程序操作中，定义了t的运算，在运行时就执行了，并输出结果为17。然而在TensorFlow中，数据流图中的节点实际上对应的是TensorFlowAPI中的一个操作，并没有真正去运行：
我们可以看到，定义了一个操作之后，但是实际上并没有运行。
由此可见，TensorFlow中涉及的运算都要放在图中，而图的运行只发生在会话（session）中。开启会话后，就可以用数据去填充节点，进行运算；关闭会话后，就不能进行计算了。因此，会话提供了操作运行和Tensor求值的环境。下面，我们再来看一个例子：
使用了会话的方式，我们就能够进行正常的运算了。了解了设计理念之后，我们将在下面继续讲解TensorFlow的编程模型。