15 运行计算图：Fetch与Feed
在上篇中，我们学习了如何使用 Session 来运行计算图。现在，我们将深入探索 Fetch 和 Feed 的概念，这两者在 TensorFlow 中对于处理数据和执行计算都非常重要。
6.2 Fetch：提取特定计算的输出
Fetch 允许你从计算图中提取特定的操作结果。通过 Fetch，我们可以获得一个或多个操作的结果，而不是整个计算图的输出。
基本用法
在使用 Fetch 时，我们将需要在 Session.run() 中指定想要提取的操作。以下是一个基本的示例：
import tensorflow as tf
# 创建一个简单的计算图
a = tf.constant(5)
b = tf.constant(6)
c = tf.add(a, b)
# 启动一个Session
with tf.Session() as sess:
# Fetch c的计算结果
result = sess.run(c)
print("Result of c: ", result)
在这个代码中，我们定义了 a 和 b 两个常量，并通过 tf.add 操作将它们相加。在 Session 中调用 sess.run(c) 时，我们提取了 c 的结果，输出为 11。
Fetch多个操作
我们不仅可以提取一个操作的输出，还可以一次提取多个操作的结果。例如：
# 创建多个操作
d = tf.multiply(a, b)
e = tf.subtract(b, a)
with tf.Session() as sess:
# Fetch多个操作的结果
results = sess.run([c, d, e])
print("Results of c, d, e: ", results)
在这个例子中，results 将会包含 c、d 和 e 的计算结果，依次为 [11, 30, 1]。
6.2 Feed：动态输入数据
Feed 允许我们将数据动态地输入到计算图中。这在我们需要使用运行时数据而不是预先定义的数据时尤为重要。我们可以使用 feed_dict 来实现这一点。
使用Feed动态输入
让我们看看如何使用 Feed 来输入动态数据：
# 定义占位符
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
z = x * y
# 使用feed_dict输入数据
with tf.Session() as sess:
result = sess.run(z, feed_dict={x: 3, y: 4})
print("Result of z: ", result)
在上述代码中，x 和 y 是占位符，我们利用 feed_dict 提供了它们的值。运行后，z 的结果为 12。
组合Fetch与Feed
我们可以将 Fetch 和 Feed 结合使用，以便在同一计算图中进行多次动态输入和提取不同操作的输出。例如：
# 定义更多的占位符
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.add(a, b)
d = tf.multiply(a, b)
with tf.Session() as sess:
result_addition = sess.run(c, feed_dict={a: 5, b: 3})
result_multiplication = sess.run(d, feed_dict={a: 5, b: 3})
print("Addition result: ", result_addition) # 输出：8
print("Multiplication result: ", result_multiplication) # 输出：15
在这个示例中，我们分别使用 Feed 为 a 和 b 输入不同的值，并通过 Fetch 获取两个操作 (c 和 d) 的结果。
小结
在本节中，我们学习了 Fetch 和 Feed 的基本用法。Fetch 使得我们可以提取特定的操作输出，而 Feed 则允许我们动态地输入数据到计算图中。这两者是 TensorFlow 的核心操作，对于建模和数据处理至关重要。
在下一个章节中，我们将进入 Keras 的世界，学习如何使用这个高级API来构建更复杂的深度学习模型。准备好下一步的旅程了吗？具体内容将涵盖 Keras 的基本概念与用法，带你一步步深入深度学习的殿堂。
