Tensorflow中的placeholder和Variable | MI-机器智能

二者的主要区别

tf.Variable：主要在于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏执值（bias）；
声明时，必须提供初始值；
名称的真实含义，在于变量，也即在真实训练时，其值是会改变的，自然事先需要指定初始值；

weights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stddev=1./math.sqrt(float(IMAGE_PIXELS)), name='weights') ) biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')

tf.placeholder：用于得到传递进来的真实的训练样本：
不必指定初始值，可在运行时，通过 Session.run 的函数的 feed_dict 参数指定；
这也是其命名的原因所在，仅仅作为一种占位符；

images_placeholder = tf.placeholder(tf.float32, shape=[batch_size, IMAGE_PIXELS]) labels_placeholder = tf.placeholder(tf.int32, shape=[batch_size])

二者真实的使用场景

for step in range(FLAGS.max_steps): feed_dict = { images_placeholder = images_feed, labels_placeholder = labels_feed } _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)

当执行这些操作时，tf.Variable 的值将会改变，也即被修改，这也是其名称的来源（variable，变量）。

函数说明

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

参数：

dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
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
name：名称。

[html] view plain copy

x = tf.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)
with tf.Session() as sess:
print(sess.run(y)) # ERROR: 此处x还没有赋值.
rand_array = np.random.rand(1024, 1024)
print(sess.run(y, feed_dict={x: rand_array})) # Will succeed.

返回：Tensor 类型

placeholder（type,strucuct…)是tensorflow中又一保存数据的利器，它的第一个参数是你要保存的数据的数据类型，大多数是tensorflow中的float32数据类型，后面的参数就是要保存数据的结构，比如要保存一个1×2的矩阵，则struct=[1 2]。它在使用的时候和前面的variable不同的是在session运行阶段，需要给placeholder提供数据，利用feed_dict的字典结构给placeholdr变量“喂数据”。

举个栗子

# -*- coding: utf-8 -*-

"""

Created on

@author:

"""

import tensorflow as tf

a=tf.placeholder(tf.float32)

b=tf.placeholder(tf.float32)

c=tf.add(a,b)

with tf.Session() as sess:

print(sess.run(c,feed_dict={a:10,b:30})) #把10赋给a，30赋给b