记录 之 tf.placeholder() 函数的意义及用法

函数原型：

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

参数释义：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

在编写程序时，首先构筑整个系统的graph，此时图中的节点是未经初始化的，代码并未生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的。在实际的运行时，启动一个session，程序才会真正的运行。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()函数向占位符输入数据。通常用来获取模型的输入数据。

两种用法：1.用来获取模型的输入数据

import tensorflow as tf
import numpy as np
 
input1 = tf.placeholder(tf.float32, [], name='input1') #为输入数据input1定义占位符
input2 = tf.placeholder(tf.float32, [], name='input2') #为input2定义占位符
 
output = tf.multiply(input1, input2)
 
with tf.Session() as sess:
    data_dict = {input1:[3.], input2: [4.]}
    print(sess.run(output, feed_dict=data_dict)) #通过sess.run中的feed_dict赋值

 这里更复杂的我们可以把input1，理解为输入的训练数据；input2，理解为输入的训练数据的标签

2.用来定义某些常量

import tensorflow as tf
import os

batch_size = tf.Variable(
        tf.placeholder(tf.int64, [], 'batch_size_1'),
        trainable=False, collections=[], name='batch_size'
        )

init = tf.variables_initializer([batch_size])

print(batch_size.name)

data_dict = {'batch_size_1:0' : 8} #注意这里要为占位符数据的名称，由于这里的占位符是定义在tf.Variable()里的，因此，二者的命名前缀一致，只需改实际名称即可，注意要在末尾加 ":0"
sess = tf.Session()
print(sess.run(init, feed_dict=data_dict)) #在初始化变量时为占位符赋值
print(sess.run(batch_size))

由此，我们可见，为tf.placeholder()数据赋值时，总是依赖某一个函数的运行的