TF编程方式很别扭

​ Tensorflow是个很好的机器学习的框架，他提供了很多必要函数库，既能够用很基础函数快速实现实验原型，又能用很工程化的方式开发一套比较像样的系统，并且TF能够高效的运行在分布式的计算集群上。

​ 但是他的编程方式很诡异，写了一大堆代码，都只是描述计算流程。

def build_graph():
    features = tf.placeholder(shape=[None, None], dtype=tf.int32)
    labels = tf.placeholder(tf.float32, [None, 10])
    logits = tf.contrib.layers.fully_connected(features, output_size)
	loss = tf.reduce_mean(
        tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits))
    train_op = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
    return features, labels, train_op

f, l, op = build_graph()
with tf.Session() as sess:
    for _step in range(100):
    	sess.run(op, feed_dict={f:input_data['features'], l:input_data['labels']})

​ 函数build_graph()执行的内容，不是这里的计算内容，只是做了符号描述，要到sess.run()才真正执行计算。这里的session是tensorflow会把graph拷贝到gpu上，通过核心C++代码来执行的。这是我感觉很别扭的地方。因为之前编程都是，我写的代码就是在执行字面意思，而现在不是了，有部分代码只是在描述一件事情，他的实际逻辑执行要等到下一个阶段才执行。

​ 如果像tf-seq2seq那样，分层、模块化、可配置都做得非常好，但是计算逻辑就分散在各个文件中，又由于tf现在很多功能还是在contrib目录下，这样就会对理解代码增加很多难度。写代码也会变得不那么直观。