TensorFlow中使用的圖優化算法有：constant folding 和CSE（common-subexpression elimination）
【算法一】constant folding
該算法，是將graph中常量的計算合併起來。例如： C = A+B，其中A和B都是constant，比如 A= 2，B =3，則在使用C時，直接使用C =5，而不是使用C =2+3；因爲每使用一次C，如果都需要計算一次的話，則浪費了大量計算。
該算法的實現在 core/common_runtime/constant_folding.h 中的ConstantFold接口中。
借用 constant_folding_test.cc中的一個示例，可以說明constant folding想要做的事情。
其中a/b/c均是常量，則m1和m2也可以計算出是常量，則s1可以直接通過m1計算得到，而不用通過計算m1= a+b得到。這種常量算子合併算法，減少了不必要的重複計算量，提升了計算性能。
ConstantFold：
// 1. 找出graph中的constant
// 2. 將constant進行算子合併
// 3. 使用合併後的算子替換掉原始graph中被合併的算子【算法二】CSE，公共子表達式合併
舉個例子吧！
A = (B+C)*D + (B+C)*E;
如果B+C已經計算過了，值記爲W，即W = B+C，且計算A時，B和C均在上次計算後，至此次計算前均沒有發生變化，則A = W*D +W*E,即減少兩次B+C的計算。
其實，本來也是這個道理，我們計算時也會使用一箇中間變量tmp來存儲B+C的值，避免B+C計算兩次。在B和C都是高維矩陣時，這種方案的節省計算帶來的性能提升還是比較明顯的。
該算法的實現在 core/graph/optimizer_cse.h
接口爲：OptimizeCSE