Tensorflow：值赋值操作的优先级
我试图更深入地了解Tensorflow计算图如何操作。 假设我们有以下代码：
A = tf.truncated_normal(shape=(1, ), stddev=0.1)
B = tf.Variable([0.3], dtype=tf.float32)
C = A * B
grads = tf.gradients(C, [A, B])
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(1000):
results = sess.run([C, grads], {A: [2], B:[5]})
如预期的那样，我得到A和B的结果10和梯度5。 我想确定的是，当我们像A和B那样向张量输入值时，它们在计算图中定义的默认值生成机制将被覆盖，是吗？
例如，在这里，没有为A生成正常的随机值，只要我们在for循环中运行sess.run行，它就会被2所覆盖，而0.3被B替换为5。 计算图在这种情况下如何表现正确？
对于一般情况，我的理解是否正确：每次我们调用sess.run ，用于计算提取列表中值的所需节点由拓扑排序确定，所有张量将被feed_dict参数中提供的值覆盖，从而打破它们依赖于其余的计算图。 （例如，如果张量A等待B的值被评估，并且如果我们在feed_dict中给A注入一个值，那么A对B的依赖就会被破坏，我相信这也反映在计算图中）。 然后，根据计算图的最终形式，执行向前和向后计算。
我相信只需要两个小小的更正：
而不是进行两遍 - 首先确定要执行的最小图，然后“分解”它可以一次完成 - 找一个执行sess.run操作所需的最小图，并给出 feed字典中的内容。 换句话说，每当你发现新的节点（当你通过你的op的依赖回退时），你检查它是否在feed_dict中提供，如果它是真的 - 你认为这是给定的，叶节点。
在TF中没有“向后计算”这样的东西，一切都是正向计算。 tf.gradients（或最小化）调用简单地构造一个前向图 ，这个函数的功能等同于在后向传递期间许多其他库中会发生的情况。 虽然TF中没有严格的向前/向后分离，并且您可以随意使用图表进行混乱和做任何事情 - 最终，这些只是相互依赖的节点，只有一个方向的数据流。