Tensorflow 张量流图生成机制

当我试图理解以下tensorflow图形构建代码的基本机制时，我对第3行和第4行感到困惑。我假设在+运算符重载的一侧，加法器_节点构建对a和b的引用。然而，当加法器_节点在第4行执行时，区分a（a:3）和b（b:3）的机制是什么。比方说，如果占位符被值填充，并且如果加法器_节点同时引用了a和b，那么为什么我们必须再次传递这些参数

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b 
print(sess.run(adder_node, {a: 3, b: 4.5}))

---

a

、

b

和

adder\u节点都是图形中的节点

adder\u节点
知道获取
a
和
b
中的值并对其执行操作。图表如下所示：


当您执行
sess.run（adder\u node）
时，您告诉tensorflow计算
adder\u node
的值（即执行所有相关操作并执行
adder\u node
）

为了计算
adder\u节点
tf将计算
a
和
b
的值，它们是占位符，因此它们的操作是从提要中获取值。因此，每次需要计算
adder\u节点
时，必须为占位符提供值，以便计算它们

{a:3，b:4.5}
并不是专门将参数传递给
加法器节点
，而是将参数传递给图形

您可以使用此代码将a、b和c作为参数传递给图形，并使用加法器_节点将z和c相加：

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.placeholder(tf.float32)
z = a + b 
adder_node = z + c
print(sess.run(adder_node, {a: 3, b: 4.5, c: 1.5}))

a
、
b
和
adder\u节点都是图形中的节点

adder\u节点
知道获取
a
和
b
中的值并对其执行操作。图表如下所示：


当您执行
sess.run（adder\u node）
时，您告诉tensorflow计算
adder\u node
的值（即执行所有相关操作并执行
adder\u node
）

为了计算
adder\u节点
tf将计算
a
和
b
的值，它们是占位符，因此它们的操作是从提要中获取值。因此，每次需要计算
adder\u节点
时，必须为占位符提供值，以便计算它们

{a:3，b:4.5}
并不是专门将参数传递给
加法器节点
，而是将参数传递给图形

您可以使用此代码将a、b和c作为参数传递给图形，并使用加法器_节点将z和c相加：

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.placeholder(tf.float32)
z = a + b 
adder_node = z + c
print(sess.run(adder_node, {a: 3, b: 4.5, c: 1.5}))

“再次传递这些参数”是指向
sess.run
提供
feed\u dict
？通过“再次传递这些参数”，是指向
sess.run
提供
feed\u dict
？