tensorflow在使用sess.run的时候，肯定会在里面进行传参，说些使用这个函数的一些经验。
一、features_, labels_, indexs_ = sess.run([features, labels, indexs])
是否需要进行传参feed_dict，需要看features, labels, indexs这3个变量的产生是否存在于“一个需要传参的函数中”，如果产生features, labels, indexs这3个变量的函数的形式像下面这样
def xxx():
X = tf.placeholder(dtype=tf.float32, shape=([50,93]))
Y = tf.placeholder(dtype=tf.int32, shape=([50]))
Z = tf.placeholder(dtype=tf.int32, shape=([50]))
...
return features, labels, indexs
features, labels, indexs = xxx()
那么这时候features_, labels_, indexs_ = sess.run([features, labels, indexs])，就需要写成下面这样
features_, labels_, indexs_ = sess.run([features, labels, indexs], feed_dict={X:features_, Y:labels_, Z:indexs_})
并且要注意feed_dict不接受tensor格式的数据，所以features_需要是普通格式，比如numpy，但是传参进去后，会自动进行类型的转化，在xxx()函数中，他们就变成tensor格式
二、是否执行一次sess.run函数，代码里的“数据迭代生成器”就会更新一次batch，那要取决于sess.run函数里面的参数是否与“数据迭代生成器”有关
features_, labels_, indexs_ = sess.run([features, labels, indexs])
假如features, labels, indexs = input_fn()，input_fn()函数每执行一次，就生成一个batch的数据，那么这种sess.run([features, labels, indexs])每每执行一次 就会更新一个batch的数据
举个反面的例子，也就是即使执行了2000次sess.run()，也不会更新batch的数据
pred_new_2 = sess.run([pred_new_1], feed_dict={X:features_, Y:labels_, Z:indexs_})。这里pred_new_1的产生函数 就必须要传进来3个参数，所以有feed_dict传参
当前pred_new_1并不是和“数据迭代生成器”有关，而是另外一个函数的返回结果，那么就符合我的举例
三、sess.run()可以用来很方便的将一些tensor格式的数据，进行数据具体内容查看，也就是将tensor格式转成numpy格式，上面的所有例子都是这种作用