#Dataflow是并行化编程常用的方式
#当使用TensorFlow执行你的程序的时候有以下几个优点
#1、并行化 。通过声明的边来代表操作之间的依赖
# 对系统来说确定可以并行化的操作是比较容易的
#2、分布式执行：
# 通过使用声明的边来代表操作之间值的传递
# 这样使得tensorflow在跨多平台之间执行你的程序，
# TensorFlow在不同的设备之间加入了必要的协调和交流
#3、编译
# TensorFlow的XLA compiler能使用你的数据流图的信息来生成更快的代码
# 列如通过合并相邻的操作
#4、可移植性：
# 数据流图是与语言独立的表示在你的模型代码中，你可以构建一个数据流图通过python
# 并且将它存储在保存模型中，并且将它恢复到c++代码，以得到更低延时的前向计算
#tf.Graph:
#tf.Graph包括两种相关的信息
#Graph structure : 图的节点和边，指示了如何将独立的操作组合到一起
# 但不是说明他们应该如何使用
#Graph collections: TensorFlow提供了一个通用的机制对于在tf.Graph中存储集合的元数据
#可以通过使用tf.add_to_collection方法将一个对象添加到集合中
#tf.GraphKeys定义了一些标准的key
#tf.get_collection可以让你通过key来找到对象
#TensorFlow的许多部分都应用了这个能力：例如当你创建一个tf.Variable
#它就被默认地添加到了集合中，表示为全局变量和可以训练的变量
#当你之后使用tf.train.Saver或者tf.train.Optimizer的时候
#在这些集合中的变量就被当成了默认的参数
