tensorflow由於構建的是靜態圖，所以導致在tf.Session().run()之前是沒有實際值的，因此，在網路搭建的時候，是不能對tensor進行判值操作的，即不能插入if…else…之類的程式碼。第二，相較於numpy array，Tensorflow中對tensor的操作介面靈活性並沒有那麼高，使得Tensorflow的靈活性減弱。

在筆者使用Tensorflow的一年中積累的程式設計經驗來看，擴充套件Tensorflow程式的靈活性，有一個重要的手段，就是使用tf.py_func介面。 介面解析

程式碼測試：

def my_func(array1,array2)
 
:
    return array1 + array2, array1 - array2

if __name__ =='__main__':
    array1 = np.array([[1, 2], [3, 4]])
    array2 = np.array([[1, 2], [3, 4]])

    a1 = tf.placeholder(tf.float32,[2,2],name = 'array1')
    a2 = tf.placeholder(tf.float32,[2,2],name = 'array2')
    y1,y2 = tf.py_func(my_func,
 
[a1,a2],[tf.float32, tf.float32])

    with tf.Session() as sess:
        y1_,y2_ = sess.run([y1,y2],feed_dict={a1:array1,a2:array2})
        print(y1_)
        print('*'*10)
        print(y2_)

從上面的程式碼我們可以看出，tf.py_func()接收的是tensor，然後將其轉化為numpy array送入我們自定義的my_func函式，最後再將my_func函式輸出的numpy array轉化為tensor返回

如果不用tf.py_func()實現的話，我們還可以這樣直接用array的方式操作：

def my_func(array1,array2):
    return array1 + array2, array1 - array2

with tf.Session() as sess:
    array1 = np.array([[1, 2], [3, 4]])
    array2 = np.array([[1, 2], [3, 4]])
    y1,y2 = my_func(array1,array2)
    print(y1)
    print('*' * 10)
    print(y2)