tensorflow的placeholder和Variable

在tensorflow中我们接触到的数据形式有三类：常量、变量和占位符。他们各司其职，常量用于给变量初始化，例如为神经网络的权值和阈值赋初值，变量一般为网络中需要不断“学习的参数”，而占位符是整个网络的输入输出的接口，用于传送训练数据。

1、tf.placeholder

tf.placeholder(
    dtype,
    shape=None,
    name=None
)

参数：

1. dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
2. shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）
3. name：名称

为什么要用placeholder？
       Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。

       所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。
 

 2、tf.Variable

tf.Variable

__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None
)

标签：None,tf,shape,Variable,tensorflow,placeholder
来源： https://blog.csdn.net/wzz110011/article/details/120737119