TensorFlow与我们正常的编程思维略有不同：

• 先预定义一些操作/占位符构建graph，所有的操作op和变量都视为节点,TensorFlow中的语句不会立即执行；
• 当构建完graph图后，需要在一个session会话中启动图，启动的第一步是创建一个Session对象。
• 等到开启会话session的时候，才会执行session.run()中的语句。在执行session.run()时，tensorflow并不是计算了整个图，只是计算了与想要fetch的值相关的部分。

创建session对象

tf.compat.v1.Session(
target=’’, graph=None, config=None
)

会话可能拥有资源，当不再需要这些资源时，释放这些资源很重要。为此，要么调用tf.Session.close会话上的方法，要么将会话用作上下文管理器。下面两个例子是等价的：

# Using the `close()` method.
sess = tf.compat.v1.Session()
sess.run(...)
sess.close() #关闭此会话

# Using the context manager.
with tf.compat.v1.Session() as sess:
  sess.run(...)

Session对象的方法run()

run(fetches, feed_dict=None, options=None, run_metadata=None)
参数：

• fetches：可以是list或者tensor向量
• feed_dict：以字典的方式填充占位

返回值： sess.run()可以将tensor格式转成numpy格式，在python语言中，返回的tensor是numpy ndarray对象。

feed_dict 作用

feed_dict只在调用它的方法内有效,方法结束,feed_dict就会消失。

替换graph中的某个tensor

feed_dict使用一个值临时替换一个 op 的输出结果

a = tf.add(2, 5)
b = tf.multiply(a, 3)
with tf.Session() as sess: 
	sess.run(b, feed_dict = {a:15}) # 重新给a赋值为15   运行结果：45
	sess.run(b) #feed_dict只在调用它的方法内有效,方法结束,feed_dict就会消失。 所以运行结果是：21   

设置graph的输入值

feed_dict可以给使用placeholder创建出来的tensor赋值

# 使用tf.placeholder()创建占位符 ，在session.run()过程中再投递数据
x = tf.placeholder(tf.float32, shape=(1, 2)) #设置矩阵x，用占位符表示
w1 = tf.Variable(tf.random_normal([2, 3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3, 1],stddev=1,seed=1))

# 创建op, 设置矩阵相乘
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

# 启动graph，运行op
with tf.Session() as sess:
    # 对变量进行初始化，变量运行前必须做初始化操作
    sess.run(tf.global_variables_initializer())
    # 使用feed_dict将数据投入到y中
    print(sess.run(y, feed_dict={x:[[0.7, 0.5]]})) #运行结果： [[3.0904665]]

注意：此时的x是一个占位符(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。