参数详解
run(fetches, feed_dict=None, options=None, run_metadata=None)
fetches
可以是单个图元素(single graph element)，也可以是任意嵌套的列表list，元组tuple，名称元组namedtuple，字典dict或包含图元素的OrderedDict。feed_dict
可选参数feed_dict允许调用者替换图中张量的值(the value of tensors in the graph)。options
可选的options参数需要一个RunOptions原型。 选项允许控制该特定步骤的行为（例如，打开跟踪）。run_metadata
可选的run_metadata参数需要一个RunMetadata原型。 适当时，将在那里收集此步骤的非Tensor输出。 例如，当用户在options中打开跟踪时，配置信息将被收集到此参数中并传回。
举例
- 使用feed_dict替换图中的某个tensor的值
a = tf.add(2, 5)
b = tf.multiply(a, 3)
with tf.Session() as sess:
sess.run(b)
replace_dict = {a： 15}
sess.run(b, feed_dict = replace_dict)
这样做的好处是在某些情况下可以避免一些不必要的计算。除此之外，feed_dict还可以用来设置graph的输入值
x = tf.placeholder(tf.float32, shape=(1, 2))
w1 = tf.Variable(tf.random_normal([2, 3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3, 1],stddev=1,seed=1))
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
with tf.Session() as sess:
# 变量运行前必须做初始化操作
init_op = tf.global_variables_initializer()
sess.run(init_op)
print sess.run(y, feed_dict={x:[[0.7, 0.5]]})
# 运行结果
[[3.0904665]]
或者多输入
x = tf.placeholder(tf.float32, shape=(None, 2))
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
print(sess.run(y, feed_dict={x: [[0.7, 0.5], [0.2, 0.3], [0.3, 0.4], [0.4, 0.5]]}))
运行结果
# 运行结果
[[3.0904665]
[1.2236414]
[1.7270732]
[2.2305048]]
注意：此时的a不是一个tensor，而是一个placeholder。我们定义了它的type和shape，但是并没有具体的值。在后面定义graph的代码中，placeholder看上去和普通的tensor对象一样。在运行程序的时候我们用feed_dict的方式把具体的值提供给placeholder，达到了给graph提供input的目的。
placeholder有点像在定义函数的时候用到的参数。我们在写函数内部代码的时候，虽然用到了参数，但并不知道参数所代表的值。只有在调用函数的时候，我们才把具体的值传递给参数。
