Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。
上面扯了许多很虚的东西，接下来引入本文的主角：feed_dict。刚学tensorflow的时候，以为feed_dict是和placeholder配对使用的。比如下面的代码，说明了feed_dict的基本用法:
import tensorflow as tf
a = tf.placeholder(dtype=tf.float32)
b = tf.placeholder(dtype=tf.float32)
c = tf.add(a, b)
with tf.Session() as sess:
print sess.run(c, feed_dict = {a: 1.0, b: 2.0})
OK， 其实feed_dict可以喂东西给其他tensor，不止placeholder这一种。例如，下面的代码：
import tensorflow as tf
a = tf.placeholder(dtype=tf.float32)
b = tf.constant(2.0)
c = tf.add(a, b)
with tf.Session() as sess:
print sess.run(c, feed_dict = {a: 1.0, b: 3.0})
运行的结果为4，这里利用feed_dict将3.0送给了tensor b。
总结一下，知道了这种原理，对于模型恢复的理解很有帮助。机器学习系统伴随着tensor的流动（tensorflow的寓意即为此，神经网络等等，其实就是tensor的线性变换和非线性激活），也许，我们只拿到了中间的tensor。举例而言，你在做图片分类的工作，训练过程中，graph的placeholder为任意size的像素矩阵，但当你恢复模型的时候，已经有预处理完的图片像素tensor，这时就可以直接将其导入对应的tensor中即可，前提是知道对应的tensor的name或者符号，此时或许需要用到tf.get_tensor_by_name这个函数。feed_dict的灵活运用，也能反映出对graph思想理解。
若有不对之处，请大神指教。转载请注明出处，谢谢。
