1. Основы TensorFlow.
   TensorFlow — это платформа машинного обучения с открытым исходным кодом, разработанная Google. Он предоставляет набор инструментов, библиотек и ресурсов для создания и развертывания моделей машинного обучения. Синтаксис «sess.run» обычно используется в TensorFlow для выполнения вычислительных графов.

Вот пример использования TensorFlow и «sess.run» для выполнения простого вычислительного графа, который складывает два числа:

import tensorflow as tf
# Define the computational graph
a = tf.constant(5)
b = tf.constant(10)
c = tf.add(a, b)
# Create a session and run the computational graph
with tf.Session() as sess:
    result = sess.run(c)
    print(result)  # Output: 15

2. TensorFlow 2.0+:
   В TensorFlow 2.0 и более поздних версиях синтаксис «sess.run» больше не требуется. Режим активного выполнения включен по умолчанию, что позволяет немедленно оценивать операции. Вот тот же пример с использованием TensorFlow 2.0+:

import tensorflow as tf
# Define the computational graph
a = tf.constant(5)
b = tf.constant(10)
c = tf.add(a, b)
# Run the computational graph
result = c.numpy()
print(result)  # Output: 15

3. Визуализация TensorBoard.
   TensorFlow предоставляет TensorBoard, веб-инструмент для визуализации вычислительных графиков, прогресса обучения модели и многого другого. Вы можете использовать синтаксис «sess.run» для регистрации промежуточных значений и их визуализации в TensorBoard. Вот краткий пример:

import tensorflow as tf
# Define the computational graph
a = tf.constant(5)
b = tf.constant(10)
c = tf.add(a, b)
# Create a summary writer
writer = tf.summary.FileWriter('logs')
# Run the computational graph and log the result
with tf.Session() as sess:
    result = sess.run(c)
    summary = tf.Summary(value=[tf.Summary.Value(tag='result', simple_value=result)])
    writer.add_summary(summary)
# Launch TensorBoard
# Run this command in your terminal: tensorboard --logdir=logs

4. TensorFlow с заполнителем и словарем подачи:
   В TensorFlow заполнители можно использовать для подачи данных в вычислительный граф во время выполнения. Вот пример использования заполнителей и синтаксиса «sess.run»:

import tensorflow as tf
# Define the computational graph with placeholders
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
c = tf.add(a, b)
# Create a session and run the computational graph with feed dictionary
with tf.Session() as sess:
    result = sess.run(c, feed_dict={a: 5.0, b: 10.0})
    print(result)  # Output: 15.0