tf.placeholder函數說明

函數形式：
tf.placeholder(
    dtype,
    shape=None,
    name=None
)
參數：
dtype：數據類型。經常使用的是tf.float32,tf.float64等數值類型
shape：數據形狀。默認是None，就是一維值，也能夠是多維（好比[2,3], [None, 3]表示列是3，行不定）
name：名稱
爲何要用placeholder？
       Tensorflow的設計理念稱之爲計算流圖，在編寫程序時，首先構築整個系統的graph，代碼並不會直接生效，這一點和python的其餘數值計算庫（如Numpy等）不一樣，graph爲靜態的，相似於docker中的鏡像。而後，在實際的運行時，啓動一個session，程序纔會真正的運行。這樣作的好處就是：避免反覆地切換底層程序實際運行的上下文，tensorflow幫你優化整個系統的代碼。咱們知道，不少python程序的底層爲C語言或者其餘語言，執行一行腳本，就要切換一次，是有成本的，tensorflow經過計算流圖的方式，幫你優化整個session須要執行的代碼，仍是頗有優點的。

       因此placeholder()函數是在神經網絡構建graph的時候在模型中的佔位，此時並無把要輸入的數據傳入模型，它只會分配必要的內存。等創建session，在會話中，運行模型的時候經過feed_dict()函數向佔位符喂入數據。

代碼示例：
import tensorflow as tf
import numpy as np

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

output = tf.multiply(input1, input2)

with tf.Session() as sess:
print sess.run(output, feed_dict = {input1:[3.], input2: [4.]})

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)

with tf.Session() as sess:
#print(sess.run(y)) # ERROR:此處x尚未賦值
rand_array = np.random.rand(1024, 1024)
print(sess.run(y, feed_dict={x: rand_array}))
 

參考資料：https://www.jianshu.com/p/ec261a65e3c9
---------------------
做者：清晨的光明
來源：CSDN
原文：https://blog.csdn.net/kdongyi/article/details/82343712
版權聲明：本文爲博主原創文章，轉載請附上博文連接！