import tensorflow as tf

a=tf.Variable(100)
b=tf.Variable(200)
c=tf.Variable(300)
update1=tf.assign(c,b+a)
update2=tf.assign(c,3)
update3=tf.assign_add(b,10)
d=a+50
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())    
    print(sess.run(a),sess.run(b),sess.run(c),sess.run(d))
    # >>> 100 200 300 150
    sess.run(update1,feed_dict={a:10,b:20})    
    print(sess.run(a),sess.run(b),sess.run(c),sess.run(d))
    # >>> 100 200 30 150
    #经过update1传入外部a,b值更新c值，a,b的内部值没有变化，feed_dict的作用范围仅与c的计算有关。
    sess.run(update2)  
    print(sess.run(a),sess.run(b),sess.run(c),sess.run(d))
    # >>> 100 200 3 150
    #经过update2操作，tf.assign()操作更改了c的内部值。
    sess.run(update3)  
    print(sess.run(a),sess.run(b),sess.run(c),sess.run(d))
    # >>> 100 210 3 150
    #经过update3操作，tf.assign_add()进行了对b+10操作
    print(sess.run(a),sess.run(b),sess.run(c),sess.run(d,feed_dict={a:1}))
    # >>> 100 210 3 51
    #计算d时使用外部的a值
    print(sess.run(a),sess.run(b),sess.run(c),sess.run(d))
    # >>> 100 210 3 150
    #sess.run(d,feed_dict={a:1})操作并没有更改d的内部值。

总结，feed_dict仅在调用相关操作范围内有效，相当于临时值，调用结束后失效，使用assign相关操作能更改内部值。