为什么Tensorflow需要使用"图计算"来表示计算过程

今天一个同学问我，在tensorflow里面是图？
我跟他说：
（来自Andrew Ng,吴神）
就比如说
J=a+bc 吧
在图计算的表示中：
1.节点表示某种运算，一般都是二元运算
2.有向边，表示数据和数据的流向

比如 上面的图中 有三个节点u=bc,v=a+u,J=3v 它们都在做运算。
而那些边就表示数据的流动。什么意思嘞？
比如 节点u=a+u，有两条边流进来，就说明啊，这个节点是需要这两条边的数据。这是“需”
而 a=5 会自发的流向v=a+u，这是“供”
OK.

“那用这个图表示计算 有什么好处？”

说真的，我还真不知道一时怎么去回答了，于是十分羞愧的回去再看了图计算的定义。

个人觉得，用图来表示计算的好处主要有：

1. 更加结构化的体现计算过程，而这个过程也实际上是我们人脑在计算的时候会发生的。比如计算a+bc的时候，实际上 我们的确是先计算出bc的中间值，然后再让a加上这个中间值。只不过我们认为这个过程在人脑中太自然了，没有什么好提出来说的。

2. 这种结构，很利于我们提取中间某些节点的结果。按照这个图的流程结构，当我们计算出J来的时候，我们同时可以随时去取v和u的值。相反如果直接一下子算出来的是J的答案，如果要得到v,u的值，还得重新计算一次前面的几步。这是重复的工作。

3. 更重要的是，这个图的结构天生就是方便求导。看上面的中间节点 u,v，有木有感觉我们在学习求导的链式法则的时候经常提到？经常会搞出一些中间变量来···
   我们具体来看这个结构下 对求导有什么优势
   我们从右向前看。
   计算 J 与 （J=3*v节点相邻的所有）流入节点的偏导数：
   只有一个：dj/dv=3
   计算v与（v=a+U节点的所有）流入节点的偏导数：
   有两个：dv/da=1
   dv/du=1
   计算u与（u=bc节点相邻的所有）流入节点的偏导数：
   也有两个：du/db=c
   du/dc=b
   OK.

我们来看：

如果要求 dJ/da

就只要：dj/dv * dv/da=3*1；

如果要求dv/dc
就只要：dv/du *du/dc=b
···

发现了什么？？？
为了求任意两个变量x,y之间的偏导dy/dx：
1. 先求出每个节点对它们直接入边的偏导
2. 根据链式法则，找出从y到x的路径，而路径上的各个边就是有向边的箭头那一端对另外一端的偏导，将路径上的偏导相乘，得到的就是dy/dx的值。
（以上没有使用偏导符号是因为 我在markdown 里面打不出那个偏导符号，所以就用了微分符号来表示，o(╯□╰)o）
这是一种分治法，每个节点只要维护好与直接相连的其它入边的偏导即可。

所以，利用这个图来表示计算，正向可以方便取中间值求结果，反向可以很方便的求偏导。而第二代ANN的核心DNN的核心训练方法是误差反向传播，误差反向传播的又是建立在求梯度求偏导的基础上的。