字典问题
所以我对Tensorflow很陌生，我试图了解何时使用feed_dict以及什么时候不需要。
但是，我对feed_dict的工作原理感到困惑。
例如：1和2和3是一样的吗？
1. accuracy, cost = sess.run([accuracy, cost], feed_dict = {X:X_batch, Y:Y_batch})
2. accuracy = sess.run(accuracy, feed_dict = {X:X_batch, Y: Y_batch})
cost = sess.run(cost, feed_dict = {X:X_batch, Y:Y_batch})
3. accuracy = sess.run(accuracy, feed_dict = {X:X_batch, Y:Y_batch})
cost = sess.run(cost)
我不知道如果tensorflow在成本和tensorflow中接收到相同的feed_dict，图计算的准确性已经计算了成本，再次通过神经网络评估该值，或者它将返回没有经过网络再次计算的值？
此外，由于成本已经在图中计算，如果我想检索计算出的最新成本，我可以按照3的方式进行计算吗？
另外，从Hvass-Labs / TensorFlow-Tutorials / TensorFlow Tutorial＃02卷积神经网络，
在函数plot_conv_weights（权重，input_channel = 0）
weights = sess.run(conv_weigh)
由于训练权重要求，我们使用值填充占位符X和Y，但在这里我看不到feed_dict。
那么feed_dict究竟是如何工作的呢？
ps：所以我在tensorflow github中问过这个问题，但他们关闭了我的问题，并告诉我tf.Session（）。run（）如何工作。
从我从文档中了解的情况来看，tf.Operation如果提取将返回None。 而tf.Operation是张量流图中的节点，用于计算二维张量。
但是，我不认为这个文件与我的问题有关...
要了解feed_dict ，您需要了解TensorFlow的工作原理。 在TF中，一切都是懒惰的评估。
这是一个简单的例子：
import tensorflow as tf
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.add(a, b)
sess = tf.Session()
print(sess.run(c, feed_dict={a: 1, b: 2}))
sess.close()
从代码中你可以看到我们有两个没有填充任何数字的占位符。 我们的目标是计算a和b的总和。 通过feed_dict我们基本上填充了值。 这个概念也适用于你的问题。
关于你的问题，如果这是相同的：
1. accuracy, cost = sess.run([accuracy, cost], feed_dict = {X:X_batch, Y:Y_batch})
2. accuracy = sess.run(accuracy, feed_dict = {X:X_batch, Y: Y_batch})
cost = sess.run(cost, feed_dict = {X:X_batch, Y:Y_batch})
答案是肯定的。 TensorFlow的另一个概念是将计算与图分开，这意味着只要您的计算在同一个session运行，您就会同时获得相同的结果，以获得acurracy和cost 。 但是我们当然会更喜欢1）。
对于你的最后一个问题，关于权重函数。 在他的笔记本上，你可以看到没有涉及的计算：
# Retrieve the values of the weight-variables from TensorFlow.
# A feed-dict is not necessary because nothing is calculated.
w = session.run(weights)
他只是绘制optimize函数引起的权重输出。
上一篇: dict issue
下一篇: Can't run prediciton because of troubles with tf.placeholder