我是Tensorflow的新手，我正在尝试理解什么时候需要使用feed_dict，以及什么时候不需要使用它。
然而，我对feed_dict的工作方式感到困惑。
例如：1、2和3的结果是否相同？
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在计算准确率时已经计算了成本，并且接收到相同的feed_dict，那么它是否会再次通过神经网络来评估这个值，或者它会直接返回已经计算好的值而不再次通过网络？
另外，既然成本已经在图中计算过了，如果我想获取最新计算的成本，我可以像方法3那样做吗？
此外，来自Hvass-Labs/TensorFlow-Tutorials/TensorFlow教程#02卷积神经网络，
在函数plot_conv_weights(weights, input_channel=0)中
weights = sess.run(conv_weigh)由于训练权重需要我们为占位符X和Y填充值，但在这里我没有看到feed_dict。
那么feed_dict到底是如何工作的？
附注：我在tensorflow的GitHub上问了这个问题，但他们关闭了我的问题，并向我展示了tf.Session().run()的工作方式。
从文档中我了解到，如果获取tf.Operation，它会返回None。tf.Operation是TensorFlow图中的节点，用于对两个张量进行计算。
然而，我认为这个文档与我的问题无关…
回答：
要理解feed_dict，你需要了解TensorFlow的工作原理。在TF中，一切都是惰性评估的。
这里有一个简单的例子：
import tensorflow as tfa = 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的和。通过feed_dict，我们基本上是在为它们填充值。这个概念也适用于你的问题。
关于你的问题，这是否相同：
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的另一个概念是计算与图是分离的，这意味着只要你的计算在同一个session中运行，你将为accuracy和cost得到相同的结果。但当然，我们总是更喜欢1）。
关于你最后一个问题，关于权重函数。在他的笔记本中，你可以看到没有涉及计算：
# 从TensorFlow中获取权重变量的值。# 不需要feed-dict，因为没有计算。w = session.run(weights)他只是在绘制由optimize函数产生的权重输出。
