TensorFlow学习过程记录 (二) -- 基本使用(4) -- Fetch和Feed

5. Fetch

为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, 传入一些 tensor, 这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点 state, 但是你也可以取回多个 tensor:

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.multiply(input1, intermed)

with tf.Session() as sess:
    result = sess.run([mul, intermed])
    print(result)  # ==> [21.0, 7.0]

需要获取多个 tensor的 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）。

原文档中的mul方法和前面出现过的sub一样，是一个过期方法，在上面的代码中已更正。
得到运行结果：[21.0, 7.0] 这和文档中给出的[array([ 21.], dtype=float32), array([ 7.], dtype=float32)] 不一样。和sub()与mul()方法一样，应该都是版本的原因。

6. Feed

上述示例在计算图中引入了 tensor, 以常量或变量的形式存储. TensorFlow 还提供了 feed 机制, 该机制 可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁, 直接插入一个 tensor.
feed 使用一个 tensor 值临时替换一个操作的输出结果. 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. 最常见的用例是将某些特殊的操作指定为 “feed” 操作, 标记的方法是使用 tf.placeholder() 为这些操作创建占位符.

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1: [7.], input2: [2.]}))  # ==>[array([14.], dtype=float32)]

如果没有正确提供 feed, placeholder() 操作将会产生错误.