操作，数据流图中的节点对应一种操作。数据流图中的节点有三种： 1. 数据节点 2. 存储节点 3. 计算节点 数据节点，对应占位符（tf.placeholder()），要解决的问题是数据输入问题。所以占位符的特性是，在形状（shape）设定的时候可以有一维不确定，便于训练的时候批量传入不同batch_size的数据。 存储节点，对应变量（tf.variable()），要解决的问题是参数存储问题。因此变量的特性是，需要初始化和设定具体的形状，在iteration时常驻内存，减少不必要的数据重载，便于参数更新。 计算节点，对应基础运算、梯度计算和初始化等等，要解决的问题是tensor之间的操作问题，实现运算的功能。 TensorFlow为什么这么设计，是为了解决神经网络训练的问题，所以理解的时候要结合神经网络模型的训练过程，就能很容易理解为什么变量和一般的tensor不同。

placeholder的那个例子应该写成 sess.run(tf.add(x, y), feed_dict={x: 2, y:3}) 不然无法运行