当使用PHP Yaf框架，如果某个 Action 在返回响应（输出页面或者返回json）之前，启用了session，那么将会在响应头里面加上强制不缓存的响应头，也就是如下的三个响应头。
Expires: Thu, 19 Nov 1981 08:52:00 GMT
Cache-Control: no-store, no-cache, must-revalidate
Pragma: no-cache
测试代码
class IndexController extends Yaf_Controller_Abstract {
// 带有session
public function sessionAction() {
$sessionInstance = \Yaf_Session::getInstance();
$this->getView()->assign("content", "Hello World");
$this->display("index");
return false;
}
// 没有session
public function noSessionAction() {
$this->getView()->assign(www.fengshen157.com"content", "Hello World");
$this->display("index");
return false;
}
}
启用session的请求响应
$ curl -si http://127.0.0.1/index/session
HTTP/1.1 200 OK
Server: openresty/1.11.2.5
Date: Wed, 20 Feb 2019 02:54:47 GMT
Content-Type: text/html; charset=UTF-8
Transfer-Encoding: chunked
Connection: keep-alive
X-Powered-By: PHP/7.0.25
Set-Cookie: PHPSESSID=lf72vsbla12b2431evhp9mq7l6; path=/
Expires: Thu, 19 Nov 1981 08:52:00 GMT
Cache-Control: no-store,www.078881.cn no-cache, must-revalidate
Pragma: no-cache
<html>
<head>
<title>Hello World<www.tianshengyuLe1.cn /title>
</head>
<body>
Hello World </body>
</html>
未启用session的请求响应
$ curl -si http://127.0.0.1/index/nosession
HTTP/1.1 200 OK
Server: openresty/1.11.2.5
Date: Wed, 20 Feb 2019 02:54:40 GMT
Content-Type: text/html;www.yinxionghui1.com charset=UTF-8
Transfer-Encoding: chunked
Connection: keep-alive
X-Powered-By: PHP/7.0.25
<html>
<head>
<title>Hello World</title>
</head>
<body>
Hello World </body>
</html>
整个框架以C API为界，分为前端和后端两大部分。
前端：提供编程模型，多语言的接口支持，比如Python Java C++等。通过C API建立前后端的连接，后面详细讲解。
后端：提供运行环境，完成计算图的执行。进一步分为4层
运行时：分为分布式运行时和本地运行时，负责计算图的接收，构造，编排等。
计算层：提供各op算子的内核实现，例如conv2d, relu等
通信层：实现组件间数据通信，基于GRPC和RDMA两种通信方式
设备层：提供多种异构设备的支持，如CPU GPU TPU FPGA等
模型构造和执行流程
TensorFlow的一大特点是，图的构造和执行相分离。用户添加完算子，构建好整图后，才开始进行训练和执行，也就是图的执行。大体流程如下
图构建：用户在client中基于TensorFlow的多语言编程接口，添加算子，完成计算图的构造。
图传递：client开启session，通过它建立和master之间的连接。执行session.run()时，将构造好的graph序列化为graphDef后，以protobuf的格式传递给master。
图剪枝：master根据session.run()传递的fetches和feeds列表，反向遍历全图full graph，实施剪枝，得到最小依赖子图
图分裂：master将最小子图分裂为多个Graph Partition，并注册到多个worker上。一个worker对应一个Graph Partition。
图二次分裂：worker根据当前可用硬件资源，如CPU GPU，将Graph Partition按照op算子设备约束规范（例如tf.device('/cpu:0')，二次分裂到不同设备上。每个计算设备对应一个Graph Partition。
图运行：对于每一个计算设备，worker依照op在kernel中的实现，完成op的运算。设备间数据通信可以使用send/recv节点，而worker间通信，则使用GRPC或RDMA协议。
3 前端多语言实现 - swig包装器
TensorFlow提供了很多种语言的前端接口，使得用户可以通过多种语言来完成模型的训练和推断。其中Python支持得最好。这也是TensorFlow之所以受欢迎的一大原因。前端多语言是怎么实现的呢？这要归功于swig包装器。
swig是个帮助使用C或者C++编写的软件能与其它各种高级编程语言进行嵌入联接的开发工具。在TensorFlow使用bazel编译时，swig会生成两个wrapper文件
pywrap_tensorflow_internal.py：对接上层Python调用
pywrap_tensorflow_internal.cc：对接底层C API调用。
pywrap_tensorflow_internal.py 模块被导入时，会加载_pywrap_tensorflow_internal.so动态链接库，它里面包含了所有运行时接口的符号。而pywrap_tensorflow_internal.cc中，则注册了一个函数符号表，实现Python接口和C接口的映射。运行时，就可以通过映射表，找到Python接口在C层的实现了。
4 tensorflow 源码结构
TensorFlow源码基本也是按照框架分层来组织文件的。如下
其中core为tf的核心，它的源码结构如下
5 总结
TensorFlow框架设计精巧，代码量也很大，我们可以从以下部分逐步学习
TensorFlow内核架构和源码结构。先从全局上对框架进行理解。
前后端连接的桥梁--Session，重点理解session的生命周期，并通过相关源码可以加深理解Python前端如何调用底层C实现。
TensorFlow核心对象—Graph。图graph是TensorFlow最核心的对象，基本都是围绕着它来进行的。graph的节点为算子operation，边为数据tensor。
TensorFlow图的节点 -- Operation。operation是图graph的节点，承载了计算算子。
TensorFlow图的边 -- Tensor。Tensor是图graph的边，承载了计算的数据。
TensorFlow本地运行时。
TensorFlow分布式运行时。和本地运行时有一些共用的接口，但区别也很大。
TensorFlow设备层。主要了解设备层的定义规范，以及实现。
TensorFlow队列和并行运算。
TensorFlow断点检查checkpoint，模型保存Saver，以及可视化tensorboard。这三个为TensorFlow主要的工具。