关于tensorflow的图计算的感性认识的栗子

由于也是刚用TensorFlow不久，很多概念的东西都不太熟悉，古人云绝知此事要躬行，正好碰到个很有趣的栗子，能很好的说明TensorFlow的符号式的编程方式和我们熟悉的命令行式的编程方式的不同。

栗子

import tensorflow as tf
result=tf.truncated_normal(shape=[5,5],mean=0,stddev=1)
relu=tf.nn.relu(result)
with tf.Session() as sess:
    print(sess.run([result]))
    print(sess.run([relu]))

在这个栗子中，按一般的熟悉的命令行式的编程逻辑，第一个print得到的应该是一个shape为5*5的tensor，而第二个print得到的是这个tensor中个元素做max(a,0)之后的结果，可是结果竟然是这样的

显然这个和前面分析的不符。我分析是这样的（如果错了，欢迎板砖）就是TensorFlow不是一般像C/C++的之类的编程方式，TensorFlow先将计算图设计好，然后每个sess.run()就触发计算图里的相关数据的流动，比如在上面例子中的计算图是 

tf.truncated_normal()→→tf.nn.relu()→→

在第二个sess.run([relu])中，为了计算relu,就必须先计算result，于是触发了数据流从节点tf.truncated_normal()流动出来，进入后面的节点。而第一个sess.run（[result]）也触发了一次tf.truncated_normal()参数数据流，这两次数据流其实是不一样的，也就是说tf.truncated_normal()触发了2次，产生了2个完全不同的tensor。所以也就导致了上面的结果和预想的不一样。那怎么才能得到我们期望的结果呢？可以做如下改动

import tensorflow as tf
result=tf.truncated_normal(shape=[2,2],mean=0,stddev=1)
relu=tf.nn.relu(result)
with tf.Session() as sess:
    print(sess.run([result,relu]))

结果为

这个就和期待的结果一致了，我想应该是用同个sess.run()触发了计算图，所以用的是同个数据流，自然得到想要的结果了吧（猜测的，还请大神多多指点）