Tensorflow的設計理念稱之為計算流圖，在編寫程序時，首先構筑整個系統(tǒng)的graph，代碼并不會直接生效，這一點和python的其他數(shù)值計算庫（如Numpy等）不同，graph為靜態(tài)的，類似于docker中的鏡像。然后，在實際的運行時，啟動一個session，程序才會真正的運行。這樣做的好處就是：避免反復地切換底層程序實際運行的上下文，tensorflow幫你優(yōu)化整個系統(tǒng)的代碼。我們知道，很多python程序的底層為C語言或者其他語言，執(zhí)行一行腳本，就要切換一次，是有成本的，tensorflow通過計算流圖的方式，幫你優(yōu)化整個session需要執(zhí)行的代碼，還是很有優(yōu)勢的。
上面扯了許多很虛的東西，接下來引入本文的主角：feed_dict。剛學tensorflow的時候，以為feed_dict是和placeholder配對使用的。比如下面的代碼，說明了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， 其實feed_dict可以喂東西給其他tensor，不止placeholder這一種。例如，下面的代碼：

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})

運行的結果為4，這里利用feed_dict將3.0送給了tensor b。
總結一下，知道了這種原理，對于模型恢復的理解很有幫助。機器學習系統(tǒng)伴隨著tensor的流動（tensorflow的寓意即為此，神經(jīng)網(wǎng)絡等等，其實就是tensor的線性變換和非線性激活），也許，我們只拿到了中間的tensor。舉例而言，你在做圖片分類的工作，訓練過程中，graph的placeholder為任意size的像素矩陣，但當你恢復模型的時候，已經(jīng)有預處理完的圖片像素tensor，這時就可以直接將其導入對應的tensor中即可，前提是知道對應的tensor的name或者符號，此時或許需要用到tf.get_tensor_by_name這個函數(shù)。feed_dict的靈活運用，也能反映出對graph思想理解。

若有不對之處，請大神指教。轉載請注明出處，謝謝。