a=tf.Variable(1.0,name="a")
b=tf.Variable(2.0,name="b")
c=tf.add(a,b,name="c")init=tf.variables_initializer([a,b])
with tf.Session() as sess
sess.run(init)
print(sess.run(c))
a=a+1
b=b+2
print(sess.run(c))
有没有哪位好心人解释一下为什么c的值是3而不是6，刚开始学tensorflow，不是很明白

为什么

是个好问题 待会试试看

是个好问题 待会试试看

我的理解是 session会话里的a=a+1 和b=b+1 并不在tf的计算图里，会话运行时只对计算图上的变量和表达式进行计算，所以这两个式子实际上没有参与计算

可以认为这个a和b是计算图上的一个张量节点，而不是一个可以直接引用的变量，需要先用sess.run(a)来计算并获取它的取值才能引用

做了个小实验，吧a = a+1改成a=sess。run（a）+1 结果a的类型由之前的计算图上一个张量节点变为现在的一个实数2.0，说明之前a是一个计算图上的张量节点，但是这里的a=sess。run（a）+1执行后，就是通过计算图计算返回张量a的值之后+1然后赋值给a，但是返回的是一个具体的数1+1=2，赋值给a后覆盖了原来a的定义（原来的a是一个张量节点而不是具体的值，这里就变成一个具体的值了）

session会话中节点没在图中那这个怎么解释

session会话中节点没在图中那这个怎么解释

]做了个小实验，吧a = a+1改成a=sess。run（a）+1 结果a的类型由之前的计算图上一个张量节点变为现在的一个实数2.0，说明之前a是一个计算图上的张量节点，但是这里的a=sess。run（a）+1执行后，就是通过计算图计算返回张量a的值之后+1然后赋值给a，但是返回的是一个具体的数1+1=2，赋值给a后覆盖了原来a的定义（原来的a是一个张量节点而不是具体的值，这里就变成一个具体的值了）

关于这个问题又有了一个新的理解，以下是个简单小实验和生成的计算图，下面简要说下自己的理解

我的理解是，最初定义了a，b节点以及对a，b进行加法运算得到c节点的计算图，而在sess中又添加了一个对a操作+1的add节点，但是如图，这个节点对c不会产生影响，而b由于没有+1的add操作，它仍然表示计算图上最初的变量，但是a虽然之前也代表一个变量，由于进行了+1操作并且被赋值给同名的a，见代码截图输出行里的第三行（add：0），此时的a已经代表a=a+1这个add操作的输出节点（不在代表原来的变量a），而如果要对原来的变量a引用，就要sess.run(a/a)而不是sess.run(a)，而至于为什么b是variable，b/b是tensor，这个还没有解释