TensorFlow没有一流的Tensor对象，这意味着Tensor在运行时执行的基础图中没有任何概念。相反，该图由相互连接的op节点组成，代表操作。操作分配内存的输出，这些都可以在端点上:0，:1等等，你可以认为这些端点作为的Tensor。如果具有tensor，则nodename:0可以将其值提取为sess.run(tensor)或sess.run('nodename:0')。执行粒度发生在操作级别，因此该run方法将执行op，该op将计算所有端点，而不仅仅是:0端点。可能有一个没有输出的Op节点（例如tf.group），则没有张量与其关联。没有底层Op节点就不可能有张量。
您可以通过执行以下操作来检查基础图中发生了什么
tf.reset_default_graph()
value = tf.constant(1)
print(tf.get_default_graph().as_graph_def())
因此，tf.constant有了一个操作节点，您可以使用sess.run("Const:0")或获取它sess.run(value)
同样，value=tf.placeholder(tf.int32)创建一个具有name的常规节点Placeholder，您可以将其作为Feed_dict={"Placeholder:0":2}或馈入Feed_dict={value:2}。您不能在同一session.run调用中提供和获取占位符，但是可以通过tf.identity在顶部附加节点并获取该结果来查看结果。
对于变量
tf.reset_default_graph()
value = tf.Variable(tf.ones_initializer()(()))
value2 = value+3
print(tf.get_default_graph().as_graph_def())
你会看到，它创建两个节点Variable和Variable/read，该:0点要在这两个节点获取一个有效的值。但是Variable:0具有特殊ref类型，这意味着它可以用作变异操作的输入。Python调用的结果tf.Variable是一个PythonVariable对象，并且有一些Python魔术可以替代Variable/read:0或Variable:0取决于是否需要进行突变。由于大多数操作只有1个端点，:0因此将其删除。另一个例子是Queue-close()方法将创建一个新的Closeop节点，该节点连接到Queueop。总而言之- 根据用途对python对象进行操作Variable并Queue映射到不同的基础TensorFlow op节点。
对于诸如此类tf.split或tf.nn.top_k创建具有多个端点的节点的操作，Python的session.run调用会自动将输出包装在tuple或可单独获取collections.namedtuple的Tensor对象中。
602392714
清零编程群