先從維基百科的介紹開始:

TensorFlow是一個開源軟體庫，用於各種感知和語言理解任務的機器學習。目前已經成功實現自動化圖像字幕軟體，像是 DeepDream ，也正式啟用由TensorFlow 提供支援的RankBrain。RankBrain現在能處理大量的搜尋查詢，替換和補充傳統的靜態演算法搜尋結果。

以下整理了幾個核心概念:

1. 張量(Tensor)和流(Flow):
   張量是 TensorFlow 中的基本資料結構，目前已知所有機器學習的系統都使用張量作為其基本的資料結構。它是一種n維度的陣列，像0階張量就是純量(scalar)、1階為向量(vector)、2階為矩陣(matrix)、3階則是多個矩陣組成。流則是表達張量間通過計算轉化的過程。
   

2.計算圖(Computational Graph)和會話(Session):
計算圖是用來計算操作任務的圖，節點通常代表操作，邊代表數據的流動。而會話就是提供計算圖執行的環境，且封裝執行所需要的資源。特別要注意的是Session 擁有管理 TensorFlow 程式運行時的所有資源，計算完後要關閉來幫助系統回收資源，否則可能出現資源洩漏的問題。

3.資料流(Data Pipeline):
資料流是包括資料處理邏輯以及系統架構的領域，TensorFlow提供tf.data API來建構數據輸入管道。

4. 優化器(Optimizer):
   優化器用於針對模型可訓練參數最小化損失函數的演算法，最直接的最佳化技術為梯度下降，它會朝損失函數的最陡下降方向前進，來更新模型的參數。

有這些關於TensorFlow的基本概念，才知道這些運行模式間會如何串連起來，深入實作和詳細研究會在後面持續摸索。