tensorflow学习笔记（1）：sess.run()

session.run()

session.run([fetch1, fetch2])

1 2 3 4 5 6 7 8 9 10 11

import tensorflow as tf state = tf.Variable(0.0,dtype=tf.float32) one = tf.constant(1.0,dtype=tf.float32) new_val = tf.add(state, one) update = tf.assign(state, new_val) init = tf.initialize_all_variables() with tf.Session() as sess:     sess.run(init)     for _ in range(10):         u,s = sess.run([update,state])         print s

在我的电脑上输出是 0.0, 2.0, 3.0, 4.0, 5.0, 5.0, 6.0, 8.0, 9.0, 10.0
是不是很奇怪为什么输出的不是0.0–9.0, 或1.0–10.0
我的猜测是：底层在fectch这两个值的时候，是并行运算的，第一次：程序先fetch “state”的值，然后fetch “update”(导致了assign op)。 第二次，程序先fetch “update”(导致了 assign op)，然后fetch “state” . 所以导致了第一次输出是0.0， 第二次输出是2.0.
注：（update op 更新state的值， 而我在fetch update 的同时也fetch 了state， 只有在这种情况下才会出现上述的问题。 如果我不fetch state ，而去fetch add1的话， 就不会出现上述问题，可见底层是先更新了state的值，才去计算add1。这样的话我们经常使用的代码sess.run([train_op, loss]),获取的loss就是train_op执行完之后的loss了）

执行sess.run()时，tensorflow是否计算了整个图

我们在编写代码的时候，总是要先定义好整个图，然后才调用sess.run()。那么调用sess.run()的时候，程序是否执行了整个图

1 2 3 4 5 6 7 8 9 10 11

import tensorflow as tf state = tf.Variable(0.0,dtype=tf.float32) one = tf.constant(1.0,dtype=tf.float32) new_val = tf.add(state, one) update = tf.assign(state, new_val) #返回tensor， 值为new_val update2 = tf.assign(state, 10000)  #没有fetch，便没有执行 init = tf.initialize_all_variables() with tf.Session() as sess:     sess.run(init)     for _ in range(3):         print sess.run(update)

和上个程序差不多，但我们这次仅仅是fetch “update”,输出是1.0 , 2.0, 3.0,可以看出，tensorflow并没有计算整个图，只是计算了与想要fetch 的值相关的部分

sess.run() 中的feed_dict

我们都知道feed_dict的作用是给使用placeholder创建出来的tensor赋值。其实，他的作用更加广泛：feed 使用一个 值(不能是tensor，可以是tensor.eval())临时替换一个 op 的输出结果. 你可以提供 feed 数据作为 run() 调用的参数. feed 只在调用它的方法内有效, 方法结束, feed 就会消失.

1 2 3 4 5

y = tf.Variable(1) with tf.Session() as sess:     tf.initialize_all_variables().run()     print sess.run(y,feed_dict={y:3}) #使用3 替换掉tf.Variable(1)的输出结果，所以打印出来3     print sess.run(y)  #由于feed只在调用他的方法范围内有效，所以这个打印的结果是 1